.png){kind=icon}
返回
Model building using forward selection and machine learning
.png){kind=icon}
PRE
AI
DOI：10.1080/02664763.2026.2625120.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在具有众多预测变量的大规模数据集中，多重共线性是一个常见挑战，它可能会降低预测模型的性能和可解释性。尽管像主成分分析（PCA）这样的降维技术可以缓解多重共线性，但它们将原始变量转换为新的不相关变量，通常会降低模型的可解释性。因此，在理解原始预测变量至关重要的领域中，特征选择技术通常更受青睐。本文提出了一种新颖的特征选择方法，结合机器学习技术与前向特征选择，以有效解决多重共线性问题，同时保持预测精度。该方法在来自海事、医疗保健和环境领域三个不同数据集上进行了评估。使用回归模型根据调整后的 $R^2$、均方根误差和平均绝对误差评估预测性能。结果表明，所提出的方法在防止多重共线性方面实现了与传统特征选择技术相当的高性能。预测能力和特征稳定性之间的这种平衡使其特别适用于高维数据集，其中冗余或高度相关的变量普遍存在。该方案支持更稳健且可解释的模型，突显了其在复杂、数据密集型领域广泛应用的潜力。
Keyword:
Feature selection
multicollinearity
machine learning
regression
real-world data
期刊
J
IF:
1.1
论文数:
134
被引数:
4.2K
机构
引用论文
分享收藏Ensemble feature selection in medical datasets: Combining filter, wrapper, and embedded feature selection results医学数据集中的集成特征选择: 结合过滤器，包装器和嵌入式特征选择结果.png)
EXPERT SYSTEMS
EXPERT SYSTEMSIF2.3
PREAI
分享收藏
查看更多内容