.png){kind=icon}
返回
A novel binary many-objective feature selection algorithm for multi-label data classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-021-01291-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于多标签分类，冗余和不相关的特征降低了分类的性能。为了基于几个冲突的目标选择最佳特征，特征选择可以被建模为大规模优化问题。然而，大多数现有的多目标特征选择方法基于最小化两个已知目标，特征的数量和分类误差，选择特征，可以考虑额外的目标来提高分类性能。在这项研究中，首次提出了一种多目标优化方法来选择有效的特征进行多标签分类，不仅基于两个提到的目标，而且最大化特征和标签之间的相关性，并最小化特征的计算复杂度。最大化相关性可以提高分类的准确性。另一方面，选择较不复杂的特征降低了特征提取阶段的计算复杂度。本文最重要的目的是同时解决基于特征数量，分类错误，特征与标签之间的相关性以及特征的计算复杂性的多标签特征选择问题。使用nsga-iii算法的拟议二进制版本解决了进行的多目标特征选择问题。二元算子提高了优化器搜索大规模空间的探索能力。为了评估所提出的算法 (称为二进制nsga-iii)，根据几个多目标评估指标，包括超体积指标，纯多样性和集合覆盖率，在八个多标签数据集上进行了基准测试实验。实验结果表明，与其他算法相比，该方法有明显的改进。
Keyword:
Feature selection
Multi-label classification
Many-objective optimization
Feature complexity
Information gain
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:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Reduced cortical excitatory synapse number in APOE4 mice is associated with increased calcineurin activity.png)
NeuroReport
OAAI
NeuroReportIF0
OAAI分享收藏Hybrid Multilabel Feature Selection Using BPSO and Neighborhood Rough Sets for Multilabel Neighborhood Decision SystemsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Feature selection with missing labels based on label compression and local feature correlation基于标签压缩和局部特征相关性的缺失标签特征选择NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Solving the dynamic economic dispatch by a memory-based global differential evolution and a repair technique of constraint handlingENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容