.png){kind=icon}
返回
Feature selection by utilizing kernel-based fuzzy rough set and entropy-based non-dominated sorting genetic algorithm in multi-label data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02341-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签学习，即对每个实例分配多个类别标签，在处理具有高维特征空间的大规模混合数据集时变得日益复杂。这些混合数据集通常涉及数值和类别特征的组合，通过引入额外的模糊性和变异性层，加剧了多标签学习的挑战。传统分类方法虽然在简单场景中有效，但往往难以应对这些复杂性，导致显著误差。为克服此问题，我们开发了一种基于熵的目标函数，该函数捕捉特征与类别之间的复杂相互作用，同时考虑混合数据的固有不确定性。该目标函数明确考虑了混合数据集的异构性，确保在多样化属性类型下进行稳健的特征选择。为应对这些挑战，我们提出了一种元启发式算法，该算法整合了模糊粗糙集与核模糊粗糙集（KFRS）的改进，以及非支配排序遗传算法II（NSGA-II）。这种协同作用能够提取最优特征子集，显著提升分类性能。通过利用基于核的相似性度量，KFRS优化了由模糊集隶属度形成的不同类别划分，确保数据样本与多个标签的精确对齐，同时有效处理混合数据表示的复杂性。我们方法的关键优势在于其通过KFRS驱动的特征选择保留有价值信息的能力。在三个基准数据集上的实证评估凸显了所提出方法的有效性。结果表明，基于核调节邻域的特征选择策略具有优越性；此外，实现过程在解质量和搜索效率方面均表现出显著改进，确立了该方法作为多标签学习任务的高潜力技术。
Keyword:
Feature selection
Kernel fuzzy rough set
Mixed data
Multi-label learning
期刊
IF:
3.1
论文数:
546
被引数:
5.2K
机构
引用论文
Improving performance of multi-label classification using ensemble of feature selection and outlier detection通过特征选择和异常检测集成改进多标签分类性能
PREAI
分享收藏Learning Label-Specific Features and Class-Dependent Labels for Multi-Label Classification用于多标签分类的学习标签特定特征和类别相关标签
PREAI
分享收藏Unsupervised fuzzy multivariate symmetric uncertainty feature selection based on constructing virtual cluster representative基于构造虚拟聚类代表的无监督模糊多变量对称不确定性特征选择
PREAI
分享收藏Enhancing data analysis: uncertainty-resistance method for handling incomplete data.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容