返回
Permutation-based multi-objective evolutionary feature selection for high-dimensional data
DOI:10.1007/s10115-026-02734-0.png)
摘要
En 中文
特征选择是高维数据分析中的一个关键步骤,其中特征数量通常远超样本数量。有效的特征选择不仅能提升模型性能和可解释性,还能降低计算成本并缓解过拟合风险。在此背景下,我们提出了一种新颖的高维数据特征选择方法,该方法借鉴了广为人知的排列特征重要性(permutation feature importance)方法。与关注单个特征不同,所提出的方法评估属性子集,提供了更全面的特征交互如何影响模型性能的分析。该方法采用多目标进化算法搜索候选特征子集,其目标包括最大化当所选特征被打乱时模型性能的下降程度,以及最小化特征子集的基数。该方法的有效性已在27个公开可用的高维数据集(用于分类和回归任务)上得到验证,并与13种针对高维问题设计的经典特征选择方法进行了比较,其中包括传统的排列特征重要性方法。结果表明,本方法能够在准确性和计算效率之间取得平衡,为复杂高维数据集的特征选择提供了一种强大的工具。
Keyword:
Permutation-based feature selection
High-dimensional data
Multi-objective evolutionary algorithms
Classification
Regression
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.1
论文数:
606
被引数:
5.6K
机构
引用论文
Multi-phase evolutionary search space shrinking for large-scale multi-objective feature selection多相进化搜索空间收缩方法用于大规模多目标特征选择
Roulette wheel-based level learning evolutionary algorithm for feature selection of high-dimensional data基于轮盘赌的层次学习进化算法的高维数据特征选择
Enhancing classification with hybrid feature selection: A multi-objective genetic algorithm for high-dimensional data混合特征选择增强分类: 高维数据的多目标遗传算法

