分享资料个
针对在分类问题中，数据之间存在大量的冗余特征，不仅影响分类的准确性，而且会降低分类算法执行速度的问题，提出了一种基于多目标骨架粒子群优化（ BPSO）的特征选择算法，以获取在特征子集个数与分类精确度之间折中的最优策略。为了提高多目标骨架粒子群优化算法的效率，首先使用了一个外部存档，用来引导粒子的更新方向；然后通过变异算子，改善粒子的搜索空间；最后，将多目标骨架粒子群算法应用到特征选择问题中，并利用K近邻（KNN）分类器的分类性能和特征子集的个数作为特征子集的评价标准，对UCI数据集以及基因表达数据集的12个数据集进行实验。实验结果表明，所提算法选择的特征子集具有较好的分类性能，最小分类错误率最大可以降低7.4 010，并且分类算法的执行时间最多能缩短12S，能够有效提高算法的分类性能与执行速度。
特征选择是数据挖掘以及模式识别中一种重要的数据预处理步骤。高维数据特征往往包含大量冗余特征、不相关的和噪声特征。在数据分类问题中，分类性能常常被冗余的、不相关的和噪声特征影响，并增加了计算成本。特征选择的目的是选择出最少的、相关的和有用的特征，以便提高分类性能和降低计算成本。
根据特征子集的选择策略，特征选择方法可以分为两类：过滤式特征选择方法和封装式特征选择方法。过滤式特征选择的评价标准从数据集本身的内部特性获得，与学习算法无关，通常选择与类别相关度大的特征或特征子集；封装式特征选择方法是利用分类算法的性能来评价特征子集的优劣，采用搜索策略来寻找最优子集。过滤式特征选择方法由于特征选择的标准与学习算法无关，不需要分类器的训练步骤，因此其通用性比封装式特征选择方法强，复杂度比封装式特征选择方法低，但是过滤式特征子集在分类准确率方面比封装式特征选择方法低。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !
