基于ReliefF和PLS的特征选择算法提升分类精度
需积分: 35 176 浏览量
更新于2024-09-06
收藏 632KB PDF 举报
本篇论文主要探讨了"一种基于ReliefF和PLS的特征选择算法",由作者邹常盼和亓峰合作完成,他们分别来自北京邮电大学网络与交换技术国家重点实验室。论文旨在解决PLS算法在实际应用中遇到的一个关键问题,即冗余特征可能导致分类精度下降。PLS,即偏最小二乘法,是一种广泛用于回归分析和机器学习中的工具,但其对特征选择的敏感性是一个挑战。
文章的核心思想是提出一种融合了ReliefF算法和PLS的方法来改善特征选择过程。ReliefF算法是一种无监督的特征选择方法,它通过评估每个特征在样本分类中的局部重要性来剔除冗余特征。通过先用ReliefF算法筛选出关键特征,然后利用PLS进一步提取这些特征中的核心部分,形成一个有效的特征子集,实现了特征维度的降低。这种方法不仅能够提高分类精度,还有助于减少计算复杂度,因为较少的特征意味着更低的时间复杂度。
实验部分,作者选择了UCI数据集进行分类性能的比较,结果显示,结合ReliefF和PLS的特征选择算法在保持较高分类精度的同时,还能显著缩短分类时间,证明了这一新型算法的有效性和实用性。这对于信息特征压缩和模式识别领域的研究具有重要意义,因为它提供了一种高效且精确的特征选择策略,适用于各种机器学习模型,如支持向量机(SVM)等。
总结来说,这篇论文主要贡献在于提出了一种创新的特征选择方法,通过结合ReliefF的局部重要性评估和PLS的主成分分析,有效地解决了特征冗余对PLS算法性能的影响。这种技术对于提升分类任务的效率和准确性,特别是在大数据背景下,有着重要的理论价值和实践意义。
2019-09-13 上传
2019-07-22 上传
2019-08-16 上传
2019-07-22 上传
2021-06-06 上传
2019-09-08 上传
2019-09-08 上传
weixin_39840515
- 粉丝: 448
- 资源: 1万+
最新资源
- Haskell编写的C-Minus编译器针对TM架构实现
- 水电模拟工具HydroElectric开发使用Matlab
- Vue与antd结合的后台管理系统分模块打包技术解析
- 微信小游戏开发新框架:SFramework_LayaAir
- AFO算法与GA/PSO在多式联运路径优化中的应用研究
- MapleLeaflet:Ruby中构建Leaflet.js地图的简易工具
- FontForge安装包下载指南
- 个人博客系统开发:设计、安全与管理功能解析
- SmartWiki-AmazeUI风格:自定义Markdown Wiki系统
- USB虚拟串口驱动助力刻字机高效运行
- 加拿大早期种子投资通用条款清单详解
- SSM与Layui结合的汽车租赁系统
- 探索混沌与精英引导结合的鲸鱼优化算法
- Scala教程详解:代码实例与实践操作指南
- Rails 4.0+ 资产管道集成 Handlebars.js 实例解析
- Python实现Spark计算矩阵向量的余弦相似度