基于最大信息系数与冗余分摊的特征选择方法

摘要：

特征选择是机器学习的关键环节,通常采用最小冗余最大相关法进行特征选择,但该方法存在相关性测度与冗余性测度不可比、特征引入无法自动终止等问题.为此,提出一种基于最大信息系数(MIC)与冗余分摊策略的特征选择方法(MIC-share).以MIC度量相关性测度与冗余性测度,采用冗余分摊策略获取新的特征得分,自动终止特征引入过程,减少最优子集确定所需时间.仿真结果表明,与PLSR、MIFS、KNN-FABC等特征选择方法相比,MIC-share方法得到的回归数据均方根误差更小,分类数据错误率更低.

关键词：特征选择、最大信息系数、冗余分摊、分类、支持向量机、回归

所属期刊栏目：46

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;湖南省自然科学基金;湖南省作物种质创新与资源利用国家重点实验室培育基地开放课题

在线出版日期：2020-09-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：101-105