.png){kind=icon}
返回
Feature and instance selection through discriminant analysis criteria
.png){kind=icon}
PRE
AI
DOI：10.1007/s00500-022-07513-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择和实例选择是数据挖掘和模式识别中广泛使用的两种数据预处理方法。主要目标是减少许多学习任务的计算成本。最近，通过使用元启发式方法解决一些全局优化问题，可以实现联合特征和实例选择。这种方法不仅计算成本高，而且没有利用数据通常具有隐含在数据及其标签中的结构化流形的事实。在本文中，我们使用从判别分析理论得出的分数来处理联合特征和实例选择。我们提出了三种联合特征和实例选择的方法。第一种方案是包装技术，而其他两种方案是过滤技术。在过滤方法中，搜索过程使用遗传算法，其中评估标准主要由判别分析分数给出。该分数同时取决于特征子集候选和实例的最佳对应子集。因此，通过找到最佳分数来确定最佳特征子集和最佳实例。使用具有最近邻和支持向量机分类器的图像分类来量化和研究所提出方法的性能。在五个公共图像数据集上进行了实验。我们将我们提出的方法的性能与几种最先进的方法进行了比较。所进行的实验表明，所提出的方法优于几种基线方法。
Keyword:
Feature selection
Instance selection
Feature and instance selection
Discriminant analysis
Image classification
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
引用论文
Decremental Sparse Modeling Representative Selection for prototype selection.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Understanding physical activity and sedentary behaviour among preschool-aged children in Singapore: a mixed-methods approachBMJ Open
OAAI
BMJ OpenIF0
OAAI分享收藏
Simultaneous feature selection and weighting - An evolutionary multi-objective optimization approach
PREAI
分享收藏Mrmr plus and Cfs plus feature selection algorithms for high-dimensional dataAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏
查看更多内容