.png){kind=icon}
返回
Reinforcement learning guided auto-select optimization algorithm for feature selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126320.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（FS）在分类任务中越来越重要。尽管元启发式算法已被广泛用于FS问题，但它们存在共同的缺点：初始种群的质量难以保证，且容易陷入停滞。为解决这些缺点，提出了一种基于强化学习的自动选择优化算法（RLAS）用于FS问题。具体而言，设计了一种中值初始化策略，综合利用了几种过滤式FS方法的优点，在确保初始种群质量方面发挥了虚拟作用。特别地，开发了一种基于Q学习的自动选择机制，根据当前搜索状态选择最优模块。最后，构建了一种基于特征重要性和随机性的分组机制，通过检测特征间的相互作用来提升搜索能力。我们通过几个常用指标在20个基准数据集上评估了RLAS的性能。实验结果表明，RLAS显著优于典型和先进算法，从而证明了其在解决FS问题时的有效性。
Keyword:
Feature selection
Data mining
Reinforcement learning
Metaheuristic algorithms
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Feature selection based on dynamic crow search algorithm for high-dimensional data classification基于动态乌鸦搜索算法的高维数据分类特征选择
.png){kind=icon}
PREAI
分享收藏
分享收藏Somersault Foraging and Elite Opposition-Based Learning Dung Beetle Optimization Algorithm后空翻觅食与基于精英对立学习的蜣螂优化算法
OAAI
OAAI分享收藏Sources of high-dimensional data—The electronic health record, health systems, and insurance and payor data高维数据的来源——电子健康记录、卫生系统以及保险和支付方数据
PREAI
分享收藏
查看更多内容