.png){kind=icon}
返回
A particle swarm optimization based multiobjective memetic algorithm for high-dimensional feature selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s12293-022-00354-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择作为降维方法之一，是处理高维数据的关键处理步骤。它试图保留代表整个特征空间的特征子集，以减少冗余并提高分类精度。由于这两个目标通常相互冲突，因此将特征选择建模为多目标问题。然而，高搜索空间和离散的帕累托前沿使得现有的进化多目标算法并不容易。经典的进化计算方法通常直接应用于特征选择问题，但在搜索过程中逐渐暴露出其效率低下的问题。针对上述缺点，本文设计了一种基于粒子群优化的多目标模因算法进行高维特征选择。其基本思想是将特征选择建模为一个多目标优化问题，通过同时优化有监督条件下的特征数量和分类精度，其中基于信息熵的初始化和自适应局部搜索的设计提高了搜索效率。此外，设计了一种新的考虑解的收敛性和多样性的粒子速度更新规则来更新粒子，并设计了一种快速离散非支配排序策略来对Pareto解进行排序。这些策略使所提出的算法能够在特征子集的质量和大小方面获得更好的性能。实验结果表明，该算法可以提高由最新的特征选择算法演化出的Pareto前沿的质量。
Keyword:
Feature selection
Particle swarm optimization
Multiobjective optimization
Memetic algorithm
期刊
IF:
2.3
论文数:
458
被引数:
718
机构
引用论文
.png){kind=icon}
Variable-Length Particle Swarm Optimization for Feature Selection on High-Dimensional Classification高维分类特征选择的变长粒子群算法
OAAI
OAAI分享收藏Improved Salp Swarm Algorithm based on opposition based learning and novel local search algorithm for feature selection基于反向学习的改进Salp群算法和新的局部搜索特征选择算法
PREAI
分享收藏分享收藏Non-Negative Spectral Learning and Sparse Regression-Based Dual-Graph Regularized Feature Selection基于非负谱学习和稀疏回归的对偶图正则化特征选择
PREAI
分享收藏
Self-Adaptive Particle Swarm Optimization for Large-Scale Feature Selection in Classification自适应粒子群算法在大规模分类特征选择中的应用OAAI
OAAI分享收藏
查看更多内容