利用近似马尔科夫毯的最大相关最小冗余特征选择算法
【作者】
张俐
王枞
郭文明
【关键词】
特征选择
特征相关
冗余特征
近似马尔科夫毯
【摘要】针对高维数据集中冗余特征或无关特征降低机器学习模型分类准确率的问题,提出了一种基于近似马尔科夫毯的特征选择(nmRMR)算法.该算法首先利用最大相关最小冗余的准则进行特征相关性排序;采用近似马尔科夫毯算法对冗余特征或者无关特征进行删除,并最大程度地提高特征之间的相关性从而获得最优特征子集.在UCI的8个公开数据集上对比的实验结果表明:与mRMR算法相比,本文算法所选择出的特征子集数平均减少了6.875个,平均分类准确率提高了0.78%;与FullSet算法相比,本文算法所选择出的特征子集数平均减少了20.56个,平均分类准确率提高了1.88%;与FCBF算法相比,本文算法所选择出的特征子集数平均减少了3.187 5个,平均分类准确率提高了0.825%;本文算法总体优于其他算法.
上一篇: 应用残差生成对抗网络的路况视频帧预测模型
下一篇: 融合历史轨迹的智能汽车城市复杂环境多目标检测与跟踪算法