.png){kind=icon}
返回
Enhancing classification with hybrid feature selection: A multi-objective genetic algorithm for high-dimensional data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.124518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是机器学习的一个基本步骤，用于减少数据集冗余、加快训练速度和提高模型质量。这在高维数据集中尤为重要，其中过多的特征对模式识别和数据分析提出了挑战。最近针对高维数据提出的方法通常是针对特定领域量身定制的，因此对于通用用例的普遍推荐解决方案缺乏共识。本文提出了一种使用多目标遗传算法的混合特征选择方法，以增强分类性能并降低跨不同分类任务的维数。所提出的方法通过新颖的遗传算法算子探索经典特征选择方法的组合输出，从而缩小了可能相关特征的搜索空间。这使得原始方法可能未探索的组合解决方案的演化成为可能，在适应不同数据条件的过程中生成优化的特征集。实验结果证明了该方法在高维用例中的有效性，在减少特征集的情况下提高了分类性能。总之，我们的混合方法通过提高在不同领域和数据条件下的分类性能，为解决高维数据集的挑战提供了一个有前途的解决方案。
Keyword:
Feature selection
Dimensionality reduction
Genetic algorithm
High -dimensional
Multi -objective
Optimization
Classification
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
Forensic DNA Phenotyping: Predicting human appearance from crime scene material for investigative purposes法医DNA表型: 从犯罪现场材料中预测人体外观用于调查目的
PREAI
分享收藏Neuroevolution as a tool for microarray gene expression pattern identification in cancer research神经进化作为癌症研究中微阵列基因表达模式识别的工具
PREAI
分享收藏
查看更多内容