.png){kind=icon}
返回
A quantum computing-based approach for feature selection in regression models
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-71141-w.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（FS）是一种关键的数据预处理技术，旨在识别预测模型中最相关的特征。然而，传统的FS方法往往难以捕捉现实数据集中的复杂交互关系，限制了其支持高性能机器学习（ML）模型的能力。本研究提出了一种适用于问答的基于二次 unconstrained binary optimization（QUBO）的回归特征选择方法，通过混合线性与二次系数建模线性及非线性特征依赖关系。采用三个数据集：葡萄酒质量、保险和自行车共享系统（BSS），我们在多种预测模型上评估该方法，以评估其鲁棒性和泛化能力。结果表明，该方法在预测性能上具有竞争力，并在若干情况下获得了比互信息（MI）和MI_QC基线更紧凑的特征子集。本研究在先前基于QUBO的FS方法上进行了方法论上的改进，并通过统计上稳健的基准测试展示了其实际适用性。
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Normalized mean difference (NMD): a novel filter-based feature selection method归一化均值差异（NMD）：一种基于过滤器的特征选择方法
PREAI
分享收藏分享收藏分享收藏Feature selection and hyperparameter tuning in transformer-based deep learning models for photovoltaic power forecasting using the Swordfish Movement Optimization Algorithm (SMOA)基于Transformer的深度学习模型在光伏功率预测中的特征选择与超参数调优，采用剑鱼运动优化算法（SMOA）
OAAI
OAAI分享收藏Mandal, A.K.; Chakraborty, B. Quantum computing and quantum-inspired techniques for feature subset selection: A review. Knowl. Inf. Syst. 2025, 67, 2019–2061. [Google Scholar] [CrossRef]Mandal, A.K.; Chakraborty, B. 量子计算和受量子启发的技术用于特征子集选择：综述。Knowl. Inf. Syst. 2025, 67, 2019–2061. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏
查看更多内容