多目标粒子群优化提升高维数据MEL分类效率
93 浏览量
更新于2024-06-17
收藏 2.24MB PDF 举报
本文主要探讨了"多目标粒子群优化的多视图集成学习在高维数据分类中的应用"这一主题,发表于沙特国王大学学报。作者Vipin Kumara、Chang、Prem Shankar Singh Aydavb和Sonajharia Minzc分别来自印度比哈尔邦圣雄甘地中央大学、信息技术部Km. Mayawati Government Girls Polytechnic以及印度新德里贾瓦哈拉尔·尼赫鲁大学的计算机与系统科学学院。
在现代机器学习领域,多视图集成学习(MEL)已经被证实能够提供比传统算法更为优越的性能,特别是在特征子集优化方面。然而,确定最佳视图组合是一个复杂问题,因为它涉及到大量的可能视图,且寻找最优视图集是一个NP-hard问题,与贝尔数相关。随着视图数量的增加,MEL的复杂性也随之上升,这促使研究者寻求更高效的方法来减少视图数量但保持高精度。
为此,本文提出了使用多目标粒子群优化(MOPSO)作为解决方案,将数据的视图数和MEL的分类精度两个目标纳入一个优化过程。粒子群优化算法(PSO)被用来在多目标搜索中找到平衡,以达到最佳性能。研究者在16个高维数据集上进行了实验,使用了四种先进的视图构造方法,并通过支持向量机(SVM)对每个视图进行学习。实验结果通过定量和非参数统计分析显示,提出的MEL-MOPSO方法在保持效率的同时,有效提高了分类精度。
该论文强调了在高维数据分类中,利用多视图集成学习结合多目标优化的优势,有助于在实际应用中处理大规模和复杂的数据集。值得注意的是,该研究作品是在2021年2月22日接收、8月25日修订、8月30日接受,并于同年9月10日在线发布。文章遵循Creative Commons Attribution-NonCommercial-NoDerivatives (CC BY-NC-ND) 4.0许可协议,允许读者在学术交流和非商业环境下分享和使用。
2020-05-02 上传
2024-03-01 上传
2023-09-11 上传
2023-09-14 上传
2023-07-16 上传
2023-07-28 上传
2023-06-06 上传
cpongm
- 粉丝: 5
- 资源: 2万+
最新资源
- C语言快速排序算法的实现与应用
- KityFormula 编辑器压缩包功能解析
- 离线搭建Kubernetes 1.17.0集群教程与资源包分享
- Java毕业设计教学平台完整教程与源码
- 综合数据集汇总:浏览记录与市场研究分析
- STM32智能家居控制系统:创新设计与无线通讯
- 深入浅出C++20标准:四大新特性解析
- Real-ESRGAN: 开源项目提升图像超分辨率技术
- 植物大战僵尸杂交版v2.0.88:新元素新挑战
- 掌握数据分析核心模型,预测未来不是梦
- Android平台蓝牙HC-06/08模块数据交互技巧
- Python源码分享:计算100至200之间的所有素数
- 免费视频修复利器:Digital Video Repair
- Chrome浏览器新版本Adblock Plus插件发布
- GifSplitter:Linux下GIF转BMP的核心工具
- Vue.js开发教程:全面学习资源指南