.png){kind=icon}
返回
Normalized mean difference (NMD): a novel filter-based feature selection method
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02648-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是机器学习中的关键步骤，旨在通过识别最相关的特征来提升模型性能，同时缓解过拟合和计算复杂度等问题。本文提出了一种新颖、高效的基于单变量过滤器的特征选择方法——归一化均值差（NMD），旨在解决传统技术的局限性。NMD通过计算类别均值的归一化差异来量化特征的判别能力，确保尺度不变性及对特征幅度偏差的鲁棒性。NMD的关键理论属性——对称性、有界性和一致性——进一步证明了其在不同数据集上的可靠性。NMD的有效性通过在基准数据集（包括Heart Disease和Breast Cancer Wisconsin (Diagnostic)）上的全面实验得到验证，与方差分析（ANOVA）、卡方检验（Ch-2）和信息熵（MI）等成熟方法相比，NMD在更少的特征下实现了具有竞争力的准确率。在决策树（DT）、k近邻（KNN）、逻辑回归（LR）、多层感知机（MLP）和岭回归等多个分类器上的评估凸显了NMD在分类、回归和聚类任务中的通用性和广泛适用性。凭借其理论基础、简洁性和实际可扩展性，NMD提供了一种稳健的特征选择框架。为保障可重复性和实际部署，提供了Python和MATLAB实现，可访问https://drive.google.com/file/d/1113TU3H-s36GnKjOdHNbwgRwkbp011c3/view?usp=sharingthis link获取。
Keyword:
Feature selection
Normalized mean difference
Filter methods
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
SCADA intrusion detection scheme exploiting the fusion of modified decision tree and Chi-square feature selection.png)
INTERNET OF THINGS
OAAI
INTERNET OF THINGSIF7.6
OAAI分享收藏分享收藏
查看更多内容