基于机器学习的混合式特征选择算法

• 作者: 刘辉 雷海锐 高秀峰
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 特征选择 信息增益比 对称不确定性 CFS 决策树
• 年，卷（期）: 2018,（16）
• 所属期刊栏目: 理论与算法
• 页码范围: 42-46
• 页数: 5页
• 分类号: TN91
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.1801583

摘要

针对CFS算法中优先选择数量较多的特征属性的问题,引入了信息增益比和对称不确定性的改进CFS算法.同时,为了进一步降低特征维数,提高分类效率,提出一种基于filter-wrapper模型的混合式特征选择方法,先采用改进后的CFS算法过滤无关特征;再基于精简子集,采用封装式选择中的序列后向搜索算法,结合决策树选取最优子集.仿真实验表明,采用该方法选择的特征子集具有更好的分类能力,同时发现该方法在不同的分类模型中泛化能力也有着不同的表现.