代价敏感数据的多标记特征选择算法

• 作者: 吴兵龙 王映龙 钱文彬 黄琴
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 特征选择 属性约简 代价敏感 粗糙集 粒计算 多标记学习 信息熵 正态分布
• 年，卷（期）: 2019,（5）
• 页码范围: 929-938
• 页数: 10页
• 分类号: TP391
• 字数: 8854字
• 语种: 中文
• DOI: 10.11992/tis.201807027

摘要

在多标记学习中,特征选择是提升多标记学习分类性能的有效手段.针对多标记特征选择算法计算复杂度较大且未考虑到现实应用中数据的获取往往需要花费代价,本文提出了一种面向代价敏感数据的多标记特征选择算法.该算法利用信息熵分析特征与标记之间的相关性,重新定义了一种基于测试代价的特征重要度准则,并根据服从正态分布的特征重要度和特征代价的标准差,给出一种合理的阈值选择方法,同时通过阈值剔除冗余和不相关特征,得到低总代价的特征子集.通过在多标记数据的实验对比和分析,表明该方法的有效性和可行性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王映龙	江西农业大学计算机与信息工程学院	82	408	13.0	17.0
2	钱文彬	江西农业大学计算机与信息工程学院	16	34	3.0	5.0
6	黄琴	江西农业大学计算机与信息工程学院	3	3	1.0	1.0
10	吴兵龙	江西农业大学软件学院	1	0	0.0	0.0