一种面向高维数据的均分式Lasso特征选择方法

• 作者: 俞奎 施万锋 胡学钢
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: Lasso 特征选择 均分式Lasso
• 年，卷（期）: 2012,（1）
• 所属期刊栏目: 数据库、信号与信息处理
• 页码范围: 157-161
• 分类号: TP181
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2012.01.045

摘要

Lasso是一种基于一范式的特征选择方法.与已有的特征选择方法相比较,Lasso不仅能够准确地选择出与类标签强相关的变量,同时还具有特征选择的稳定性,因而成为人们研究的一个热点.但是,Lasso方法与其他特征选择方法一样,在高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟和).为解决此问题,提出一种改进的Lasso方法:均分式Lasso方法.均分式Lasso方法将特征集均分成K份,对每份特征子集进行特征选择,将每份所选的特征进行合并,再进行一次特征选择.实验表明,均分式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡学钢	合肥工业大学计算机与信息学院	314	3156	27.0	39.0
2	俞奎	合肥工业大学计算机与信息学院	9	117	6.0	9.0
3	施万锋	合肥工业大学计算机与信息学院	3	85	3.0	3.0