[翻译论文]A novel embedded min-max approach for feature selection in nonlinear Support Vector Machine cl

[翻译论文]A novel embedded min-max approach for feature selection in nonlinear Support Vector Machine classification（2021）
一种用于非线性支持向量机分类中特征选择的新型嵌入式最小-最大方法
Asunci´ on Jim´ enez-Cordero

DOI: 10.1016/j.ejor.2020.12.009

摘要：

近年来，特征选择已成为多个机器学习领域的一个具有挑战性的问题，特别是在分类问题中。支持向量机 (SVM) 是一种众所周知的应用于（非线性）分类的技术。文献中提出了各种方法来选择 SVM 中最相关的特征。不幸的是，它们要么处理线性分类设置中的特征选择问题，要么提出在实践中难以实施的临时方法。相比之下，我们提出了一种基于最小-最大优化问题的嵌入式特征选择方法，其中寻求模型复杂性和分类精度之间的权衡。通过利用对偶理论，我们等效地重新构造了最小-最大问题，并使用现成的非线性优化软件毫不费力地解决它。我们的方法的效率和实用性在几个基准数据集上进行了测试，包括准确性、所选特征的数量和可解释性。

关键词：

机器学习，最小-最大优化，对偶理论，特征选择，非线性