ClusterSwarm: cluster-specific feature selection using binary particle swarm optimisation

doi:10.1007/s00607-025-01534-8

ClusterSwarm: cluster-specific feature selection using binary particle swarm optimisation

2025-08-13

0

OA

AI

C

Chinedu Pascal Ezenkwu *

DOI：10.1007/s00607-025-01534-8

原文链接

原文求助

摘要

En 中文

特征选择已成为机器学习流程中的一个重要步骤，有助于提升模型的解释性和准确性。尽管研究重点很大程度上集中在全局特征选择技术，但这些方法无法支持将特征归属到数据集中不同的组，因为它们假设单个特征集足以正确执行分类任务。此外，与无监督学习不同，特征选择技术（无论是全局还是局部）在监督学习中已得到充分发展。基于上述原因，本文提出ClusterSwarm，一种基于聚类的特征选择新方法，结合二元粒子群优化（BPSO）和K-means算法，以识别特定于聚类的特征集。使用UCI仓库中的四个公开可用数据集进行评估，ClusterSwarm表现出优于标准K-means算法和凝聚层次聚类的性能，且与全局特征选择技术稀疏K-means性能相当。然而，在处理高维、多类和噪声环境时，ClusterSwarm优于稀疏K-means，同时通过将特征归属到每个聚类来提供可解释性。与稀疏K-means的聚类特定变体CS Sparse K-means相比，ClusterSwarm实现了更高的准确率和更高效的特征选择，避免了冗余特征，而CS Sparse K-means则没有做到这一点。除四个公开数据集外，我们还针对两个精心设计的合成数据集进行了实验，以代表噪声特征和重叠聚类的情形。这些数据集用于证明ClusterSwarm相对于稀疏K-means、CS Sparse K-means以及标准聚类技术的优越性。

Keyword:

Unsupervised learning

Feature selection

K-means

Particle swarm optimisation

Interpretability

Clustering

ClusterSwarm: cluster-specific feature selection using binary particle swarm optimisation

摘要

期刊

机构