電子發燒友網>電子資料下載>模擬數字>使用多目標骨架粒子群優化的特征選擇算法資料概述

使用多目標骨架粒子群優化的特征選擇算法資料概述

2474220 2018-11-27 | rar | 0.89 MB | 次下載 | 免費

資料介紹

　　針對在分類問題中，數據之間存在大量的冗余特征，不僅影響分類的準確性，而且會降低分類算法執行速度的問題，提出了一種基于多目標骨架粒子群優化（ BPSO）的特征選擇算法，以獲取在特征子集個數與分類精確度之間折中的最優策略。為了提高多目標骨架粒子群優化算法的效率，首先使用了一個外部存檔，用來引導粒子的更新方向；然后通過變異算子，改善粒子的搜索空間；最后，將多目標骨架粒子群算法應用到特征選擇問題中，并利用K近鄰（KNN）分類器的分類性能和特征子集的個數作為特征子集的評價標準，對UCI數據集以及基因表達數據集的12個數據集進行實驗。實驗結果表明，所提算法選擇的特征子集具有較好的分類性能，最小分類錯誤率最大可以降低7.4 010，并且分類算法的執行時間最多能縮短12S，能夠有效提高算法的分類性能與執行速度。

　　特征選擇是數據挖掘以及模式識別中一種重要的數據預處理步驟。高維數據特征往往包含大量冗余特征、不相關的和噪聲特征。在數據分類問題中，分類性能常常被冗余的、不相關的和噪聲特征影響，并增加了計算成本。特征選擇的目的是選擇出最少的、相關的和有用的特征，以便提高分類性能和降低計算成本。

　　根據特征子集的選擇策略，特征選擇方法可以分為兩類：過濾式特征選擇方法和封裝式特征選擇方法。過濾式特征選擇的評價標準從數據集本身的內部特性獲得，與學習算法無關，通常選擇與類別相關度大的特征或特征子集；封裝式特征選擇方法是利用分類算法的性能來評價特征子集的優劣，采用搜索策略來尋找最優子集。過濾式特征選擇方法由于特征選擇的標準與學習算法無關，不需要分類器的訓練步驟，因此其通用性比封裝式特征選擇方法強，復雜度比封裝式特征選擇方法低，但是過濾式特征子集在分類準確率方面比封裝式特征選擇方法低。