.png){kind=icon}
返回
Feature Importance Ranking Using Interval-Valued Methods and Aggregation Functions for Machine Learning Applications
.png){kind=icon}
OA
AI
DOI：10.3390/app152212130.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是创建机器学习模型和进行数据分析过程中的关键阶段之一。本文介绍了基于加权区间聚合的特征选择与排序新算法的实现研究成果。该算法考虑了通过将数据集划分为子集所获得的区间重要性值。该算法在识别相关特征方面表现出高度有效性。本文呈现了与九种已知特征重要性评估方法的比较研究结果。实验使用了十个合成数据集和五个真实数据集。计算中还包含了所获结果的相关性测试。在多数实验中，IVWFR算法被证明最优，在识别相关特征子集后获得了最佳分类结果。
Keyword:
feature ranking
feature selection
aggregation
interval-valued aggregation
machine learning
classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
An interpretable deep learning framework for intrusion detection in industrial Internet of Things一种用于工业物联网入侵检测的可解释深度学习框架.png)
Internet of Things
Internet of ThingsIF7.6
PREAI
分享收藏OptunaProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏分享收藏
查看更多内容