.png){kind=icon}
返回
Supervised Feature Selection Guided by Granular-Ball Computing: A Two-Stage Geometry-Driven Framework
.png){kind=icon}
PRE
AI
DOI：10.1109/tfuzz.2026.3695768.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是一种关键的数据预处理技术，旨在通过移除无关或冗余特征来增强对边界不确定性和复杂几何分布的鲁棒性并提高模型可解释性。大多数基于过滤的特征选择方法采用单一评估指标，且常未能探索数据中潜在的几何分布结构，而该结构对特征选择具有显著指导信息。鉴于此，本文提出了一种基于粒计算球（granular-ball computing）指导的监督特征选择框架（SFS-GBC）。该框架旨在利用粒球的几何洞察力识别下游分类任务的更优特征子集候选。同时，所提算法引入独特的两阶段评估过程，旨在协同粗粒度效率与细粒度几何精度，以适应不同维度数据。具体而言，首先采用粒度一致性对所有特征进行快速排序，有效预筛选与决策类别高度相关的候选特征。更创新的是，后续阶段脱离传统统计指标，提出基于粒球几何分布的新型评估度量，结合类内紧致性与类间可分性，在前进搜索过程中精确评估特征子集。此外，通过调整粒化参数，算法可从多粒度视角探索数据结构，有望获得更优特征子集。在公开基准数据集上的实验结果证明了所提方法的优势与有效性。
Keyword:
Feature selection
granular ball
granular computing (GrC)
granularity consistency (GC)
supervised learning
期刊
IF:
11.9
论文数:
5.0K
被引数:
2.9W
机构
引用论文
A new method for feature selection based on weighted k-nearest neighborhood rough set基于加权k近邻粗糙集的特征选择新方法
.png){kind=icon}
PREAI
分享收藏GBNRS: A Novel Rough Set Algorithm for Fast Adaptive Attribute Reduction in ClassificationGBNRS: 一种新的粗糙集分类快速自适应属性约简算法
PREAI
分享收藏分享收藏Feature selection for classification with Spearman's rank correlation coefficient-based self-information in divergence-based fuzzy rough sets散度模糊粗糙集中基于Spearman秩相关系数自信息的分类特征选择
PREAI
分享收藏分享收藏A Novel Unsupervised Feature Selection for High-Dimensional Data Based on FCM and k -Nearest Neighbor Rough Sets基于FCM和k-近邻粗糙集的高维数据无监督特征选择
PREAI
分享收藏Cascaded Two-Stage Feature Clustering and Selection via Separability and Consistency in Fuzzy Decision Systems模糊决策系统中基于可分性和一致性的级联两阶段特征聚类和选择
PREAI
分享收藏
查看更多内容