.png){kind=icon}
返回
A multi-objective algorithm for multi-label filter feature selection problem
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-020-01785-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是分类前的重要数据预处理方法。多目标优化算法已被证明是解决特征选择问题的有效方法。然而，针对多标签数据的多目标优化特征选择方法研究较少。本文提出了一种基于两个粒子群 (MOMFS) 的多目标多标签过滤特征选择算法。我们使用互信息来衡量特征与标签集之间的相关性以及特征之间的冗余，这被视为两个目标。为了避免粒子群优化 (PSO) 陷入局部最优和获得错误的帕累托前沿，我们采用两个群体分别优化两个目标，并提出了一种基于粒子适应度值的改进混合拓扑。此外，还引入了一种档案维护策略来维护档案的分布。为了研究该算法的有效性，我们选择了五个多标签评价标准，并在七个多标签数据集上进行了实验。将MOMFS与经典的单目标多标签特征选择算法，多目标过滤器和包装器特征选择算法进行了比较。实验结果表明，MOMFS可以有效地降低多标签数据的维度，在5个评价标准上表现优于其他方法。
Keyword:
Feature selection
Multi-objective optimization
Multi-label
PSO
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Particle Swarm Optimization for Feature Selection in Classification: A Multi-Objective Approach分类中特征选择的粒子群优化: 一种多目标方法
PREAI
分享收藏
分享收藏A nested particle swarm algorithm based on sphere mutation to solve bi-level optimization.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏A methodology for evaluating multi-objective evolutionary feature selection for classification in the context of virtual screening在虚拟筛选的背景下评估用于分类的多目标进化特征选择的方法SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Comprehensive learning particle swarm optimizer for global optimization of multimodal functions
PREAI
分享收藏
查看更多内容