Feature Selection Using Nearest Neighbor Gaussian Processes

Konstantin Posch

doi:10.3390/math14030476

Feature Selection Using Nearest Neighbor Gaussian Processes

2026-01-29

0

OA

AI

DOI：10.3390/math14030476

原文链接

原文求助

摘要

En 中文

我们提出了一种新颖的贝叶斯方法用于特征（变量）选择，该方法基于高斯过程回归，对于提升可解释性和模型正则化至关重要。我们的方法采用最近邻高斯过程作为经典高斯过程的可扩展近似。特征选择通过将过程均值和协方差函数条件化于代表相关变量索引的随机集合来实现。关于该集合的先验信念控制特征选择，而剩余模型参数被赋予参考先验，以确保过程协方差矩阵的数值稳健性。对于模型推断，我们提出了一种Metropolis-within-Gibbs算法。通过在模拟数据、计算机实验近似和两个真实数据集上的评估，验证了我们提出的特征选择方法的有效性。

Keyword:

feature selection

dimensional reduction

hierarchical Bayes

nearest neighbor Gaussian process

model uncertainty

Metropolis-Hastings algorithm

variable selection

Feature Selection Using Nearest Neighbor Gaussian Processes

摘要

期刊

机构