融合序列后向选择与支持向量机的混合式特征选择算法
维度灾难是机器学习任务中的常见问题,特征选择算法能够从原始数据集中选取出最优特征子集,降低特征维度.提出一种混合式特征选择算法,首先用卡方检验和过滤式方法选择重要特征子集并进行标准化缩放,再用序列后向选择算法(SBS)与支持向量机(SVM)包裹的SBS-SVM算法选择最优特征子集,实现分类性能最大化并有效降低特征数量.实验中,将包裹阶段的SBS-SVM与其他两种算法在3个经典数据集上进行测试,结果表明,SBS-SVM算法在分类性能和泛化能力方面均具有较好的表现.
混合式特征选择、序列后向选择、支持向量机、降维
28
福建省自然科学基金2019J01835,2017J01651,2017J01780;福建省中青年教师教育科研项目JAT170608;认知计算与智能信息处理福建省高校重点实验室开放课题KLCCIIP2017104
2019-07-25（万方平台首次上网日期，不代表论文的发表时间）
共6页
174-179
