一种改进的特征子集区分度评价准则

摘要：

针对特征子集区分度准则(Discernibility of feature subsets,DFS)没有考虑特征测量量纲对特征子集区分能力影响的缺陷,引入离散系数,提出GDFS(Generalized discernibility of feature subsets)特征子集区分度准则.结合顺序前向、顺序后向、顺序前向浮动和顺序后向浮动4种搜索策略,以极限学习机为分类器,得到4种混合特征选择算法.UCI数据集与基因数据集的实验测试,以及与 DFS、Relief、DRJMIM、mRMR、LLE Score、AVC、SVM-RFE、VMInaive、AMID、AMID-DWSFS、CFR和FSSC-SD的实验比较和统计重要度检测表明:提出的GDFS优于DFS,能选择到分类能力更好的特征子集.

关键词：特征子集区分度、特征选择、离散系数、极限学习机、特征搜索策略

所属期刊栏目：48

分类号：TP391.41;F273.2;TP18

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;中央高校基本科研业务费资助

在线出版日期：2022-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1292-1306