.png){kind=icon}
返回
Feature subset weighting for distance-based supervised learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了基于单调测量的特征子集加权方法，用于距离监督学习。采用Choquet积分来定义一个包含这些权重的距离函数。这种整合使得所提出的距离能够有效捕捉非线性关系，并考虑条件属性与决策属性之间以及条件属性自身的交互作用，从而得到更灵活的距离度量。具体而言，我们展示了该方法如何确保距离不受重复特征和强相关特征添加的影响。该方法的另一个关键点在于，它使得特征子集加权在计算上可行，因为每次只需计算m个特征子集权重，而非计算所有特征子集权重（2^m），其中m为属性数量。接下来，我们还考察了使用Choquet积分进行相似性度量如何导致距离定义的非等价性。通过双重测量进一步探索了距离与相似性之间的关系。此外，提出了对称Choquet距离和相似性，保留了相似性与距离之间的经典对称性。最后，我们引入了一种具体的特征子集加权距离，评估其在k近邻（KNN）分类设置中的性能，并将其与马氏距离和加权距离方法进行比较。
