.png){kind=icon}
返回
An Improved Evolutionary Algorithm with Joint Encoding for Multiobjective Feature Selection in Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/tevc.2026.3744732.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是一个复杂的多目标优化问题，需要平衡所选特征的数量和分类性能。冗余特征和复杂的特征交互对传统多目标特征选择算法提出了重大挑战。现有方法通常采用离散或连续编码方案，两者均存在固有局限性，即离散编码难以捕捉复杂的特征交互，而连续编码在处理冗余特征时会产生高计算成本。为解决这些问题，本文提出了一种具有联合编码机制的新型进化多目标特征选择算法，融合了一种新颖的联合编码区域划分方法、一种有效的初始化策略和一种新的搜索策略。具体而言，联合编码区域划分方法根据特征的重要性和标签相关性将特征划分为离散或连续搜索区域。设计了一种有效的初始化策略，以在两个区域内生成高质量的初始解。此外，一种新的搜索策略动态调整离散搜索区域中的特征数量以改善探索能力。在16个数据集上的实验结果表明，所提出的方法超越了9种进化多目标特征选择算法。所提出的方法在有效增强种群多样性的同时，实现了所选特征数量与分类性能之间的更好平衡。
Keyword:
Feature Selection
Multiobjective Optimization
Evolutionary Computation
Classification
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
暂无论文信息