10.15918/j.tbit1001-0645.2019.117
融合子集特征级联预学习的封装方法研究
机器学习领域中的特征选择算法可简化模型输入,提高可解释性并帮助避免维度灾难及过拟合现象的发生.针对基于封装法进行特征选择时,评价模型通常将搜索出的特征子集直接作为输入,导致算法对特征利用和评估效果受限于评价模型的特征学习能力,限制了对更适特征子集的发现能力等问题,提出一种基于级联森林结构的子集特征预学习封装法.该方法在搜索算法与评价模型之间添加多层级联森林,重构待评价特征子集为高级特征集,降低评价模型模式识别难度,提高对子集性能的评价效果.实验对比了多种搜索算法及评价模型组合,本方法可在保证分类性能的前提下,进一步降低所选特征数量,同时维持了封装法的低耦合性.
特征选择;封装法;级联森林;特征学习
41
TP391(计算技术、计算机技术)
国家"十三五"科技支撑计划项目;国家卫生部卫生行业科研专项基金项目
2021-12-23（万方平台首次上网日期，不代表论文的发表时间）
共6页
1201-1206
