A redundancy-removing feature selection algorithm for nominal data

doi:10.7717/peerj-cs.24

A redundancy-removing feature selection algorithm for nominal data

2015-10-14

0

OA

AI

DOI：10.7717/peerj-cs.24

原文链接

原文求助

摘要

En 中文

无序相关性或相似性度量存在于名义数据中，并且名义数据集中始终存在更多的冗余，这意味着找到一个高效的基于互信息的名义数据特征选择方法相对困难。本文提出了一种无需数据变换的名义数据特征选择方法，称为冗余去除更多相关性更少冗余算法。通过形成若干新的信息相关定义及其对应的计算方法，所提出的方法能够直接计算名义数据的信息相关量。此外，通过创建一个同时考虑全局相关性和冗余性的新评估函数，新的特征选择方法能够评估每个名义数据特征的重要性。尽管所提出的特征选择方法采用常用的MIFS-like形式，但它能够处理高维数据集而无需昂贵的计算。我们使用三个基准名义数据集和两种不同分类器，对所提出的算法与其他方法进行了广泛的实验比较。实验结果表明，在特征选择和分类精度方面，所提出的算法相较于知名的NMIFS算法具有平均优势，这表明所提出的方法具有有前景的性能。

A redundancy-removing feature selection algorithm for nominal data

摘要

期刊

机构

引用论文