融合粒度分组与Pareto最优的属性选择
Attribute selection based on granularity grouping and Pareto optimality作者机构：江苏科技大学计算机科学与工程学院江苏镇江212100 江苏科技大学数理学院江苏镇江212100 山西大学计算机与信息技术学院太原030006
出 版 物：《控制与决策》 (Control and Decision)
年 卷 期：2024年第39卷第9期
页 面：2959-2968页
核心收录：
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：国家自然科学基金项目(62076111) 江苏省研究生实践创新计划项目(SJCX22_1905)
主 题：属性选择 粒度 启发式算法 启发式信息 邻域粗糙集 Pareto最优
摘 要：利用某一给定度量作为属性评价指标以及启发式算法的约束条件,是大量属性选择方案的关键.然而,属性相似性评价的缺失与朴素的逐个选择机制,使属性遍历存在冗余,故时间消耗巨大.此外,单一度量限制了属性评价视角,难以挖掘出高学习性能的属性.鉴于此,提出一种属性选择框架,其中:1)利用属性粒度及属性间的知识距离对属性分组,组内属性具有明显差异性且组间属性具有较强区分能力,使属性遍历以组为单位,有效压缩候选属性搜索空间,提升属性选择效率;2)利用提出的受限Pareto最优原则,对属性组进行迭代选取,最终得到期望的属性子集.在12组UCI数据集上,通过注入4种不同比例的属性噪声进行实验,结果表明:相较于8种流行方法,所提出方法得到的属性选择结果,在分类稳定性这一指标上平均提升了5.89%,在分类准确率这一指标上平均提升了12.28%,在时间消耗这一指标上平均降低了59.27%.
维普期刊数据库
同方期刊数据库