.png){kind=icon}
返回
Group feature selection using non-class data
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-025-06773-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有嵌入式特征选择方法几乎不允许非类别数据参与特征选择。然而，在某些学习任务中，当非类别数据对分类有贡献时，它们也应影响有用特征的选择。例如，F-无穷范数支持向量机是一种有效的嵌入式组特征选择方法，可同时执行分类。在本文中，我们发现它在执行组特征选择时隐式地使用了一种形式化为坐标Universum的非类别数据，且该非类别数据中包含的信息可以构成有意义的组内F-无穷范数惩罚。据我们所知，这是首次从这一角度理解F-无穷范数惩罚。我们证明了可以通过这些对分类器构建有贡献的非类别数据识别有用特征。此外，为充分挖掘非类别数据提供的分类信息，我们通过将非类别数据视为中间类别来改进F-无穷范数支持向量机，以更好地区分正类和负类。实验表明，所提方法中的非类别数据在某种程度上有助于减少标记数据量。此外，该方法在分类和组特征选择方面均提升了F-无穷范数支持向量机的性能。
Keyword:
Group feature selection
Non-class data
Universum
Support vector machine
F-infinity-norm
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
分享收藏
分享收藏Early-life trauma endophenotypes and brain circuit-gene expression relationships in functional neurological (conversion) disorder.png)
MOLECULAR PSYCHIATRY
OAAI
MOLECULAR PSYCHIATRYIF10.1
OAAI分享收藏Gene selection for cancer classification using support vector machines使用支持向量机进行癌症分类的基因选择MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容