特征選取與實(shí)例選取的差分進(jìn)化算法（A Differential Evolution Approach to Feature Selection and Instance Selection）

 

摘要：由于存儲(chǔ)硬件和數(shù)據(jù)采集技術(shù)的不斷發(fā)展，越來(lái)越多數(shù)據(jù)正被收集。數(shù)據(jù)的傳入流量非常的龐大，以至于數(shù)據(jù)挖掘技術(shù)無(wú)法跟上其腳步。收集的數(shù)據(jù)往往有多余的或不相關(guān)的特征/實(shí)例，它們會(huì)限制分類的性能。特征選取和實(shí)例選取是通過(guò)消除無(wú)用數(shù)據(jù)來(lái)幫忙緩解該問(wèn)題的過(guò)程。本文提出了一系列使用差分進(jìn)化算法（Differential Evolution ）的算法，實(shí)現(xiàn)特征選取，實(shí)例選取，以及特征選取和實(shí)例選取的結(jié)合。數(shù)據(jù)的減少，分類精度和訓(xùn)練時(shí)間與原來(lái)的數(shù)據(jù)和現(xiàn)有的算法有的一拼。十個(gè)不同難度數(shù)據(jù)集中的實(shí)驗(yàn)研究表明：新發(fā)展的算法可以成功的減小數(shù)據(jù)的規(guī)模，而且在大多數(shù)情況下可以維持合作增加分級(jí)性能。此外，計(jì)算時(shí)間也有著實(shí)質(zhì)性的減少。本次工作是第一次系統(tǒng)性的，在分級(jí)中研究一系列特征/實(shí)例選取算法，且結(jié)果表明實(shí)例選取問(wèn)題比特征選取問(wèn)題更難解決，但方法有效的話，就可以大大減小數(shù)據(jù)的規(guī)模并提供巨大的利益。

關(guān)鍵詞：差分進(jìn)化算法·特征選取·實(shí)例選取·分級(jí)

第一作者簡(jiǎn)介

Bing Xue

學(xué)歷：惠靈頓維多利亞大學(xué)工程與計(jì)算機(jī)科學(xué)學(xué)院博士

研究方向：人工智能，機(jī)器學(xué)習(xí)，大數(shù)據(jù)／連接生物學(xué)，統(tǒng)計(jì)，工程和數(shù)學(xué)的數(shù)據(jù)庫(kù)

相關(guān)學(xué)術(shù)論文：

·"A Survey on Evolutionary Computation Approaches to Feature Selection"（IEEE Transaction on Evolutionary Computation ．Aug. 2016）

 ·"Cross-Domain Reuse of Extracted Knowledge in Genetic Programming for Image Classification"（IEEE Transaction on Evolutionary Computation 2016）

via：PRICAI 2016

PS : 本文由雷鋒網(wǎng)獨(dú)家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

原論文下載

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。