F-score结合核极限学习机的集成特征选择算法

摘要：

特征选择是高维小样本癌症基因数据分析的首要和关键步骤,但是现有特征选择算法存在特征子集依赖于训练样本且随训练样本不同而变化的问题.为了解决特征选择过程的特征子集不稳定问题,提出一种基于核极限学习机的集成特征选择方法,利用5-折交叉验证划分原始数据,对各训练集继续采用5-折交叉验证进行划分并进行特征选择,以所得5个特征子集之并集作为该训练集的特征子集,构造核极限学习机评价该特征子集的分类性能,以原始数据集5-折交叉验证所得特征子集的平均Jaccard系数评价特征选择算法所选特征子集的稳定性.5个基因数据集的实验测试以及与经典特征选择算法SVM-RFE、LLE Score、ARCO、DRJMIM、Random Forest和mRMR的实验比较表明,本文算法不仅能选择到稳定的特征子集,且所选特征子集具有很好的泛化能力.

关键词：F-score、特征选择、极限学习机、集成特征选择

所属期刊栏目：48

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家重点研发计划;科技成果转化培育项目;研究生培养创新基金

在线出版日期：2020-04-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-8