Feature selection for high-dimensional classification usinga competitive swarm optimizer

最新推荐文章于 2024-08-26 21:46:59 发布
最新推荐文章于 2024-08-26 21:46:59 发布
阅读量329 收藏 3
点赞数
分类专栏： 算法 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42148307/article/details/127196215
版权

0、论文背景

在本文中，首先，使用竞争群优化器（CSO），以解决高维特征选择问题；此外，引入了一种归档技术来降低计算成本；利用KNN和10-fold cross-validation进行分类性能的计算。在6个基准数据集上的实验表明，与其他对比算法相比较，所提出的基于cso的特征选择算法不仅选择了更少的特征，而且具有更好的分类性能。

Gu S, Cheng R, Jin Y. Feature selection for high-dimensional classification using a competitive swarm optimizer[J]. Soft Computing, 2018, 22(3): 811-822.

 作为一篇三区的论文创新性一般，但是实验结果相对比较丰富，还是不错的。

1、利用CSO进行特征选择

相关知识点参照&#

了解本专栏 订阅专栏 解锁全文 超级会员免费看
身影王座
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
SSA-SVM
weixin_51020546的博客
11-24 531
【代码】SSA-SVM。
机器学习基础__03__梯度下降法
山野村夫pro的专栏
12-23 503
目录 1. 什么是梯度 1.1 方向导数 1.2梯度 1.3 为什么沿着梯度方向函数增长最快 2. 梯度下降法 3. 梯度下降法的三种形式 3.1 批量梯度下降 3.2 随机梯度下降 3.3 小批量梯度下降 1. 什么是梯度 梯度是一个向量。（有大小有方向） 1.1 方向导数 导数 导数表示切线的斜率，公式如下： ...
论文研读-基于种群分布的两阶段自适应知识迁移多目标进化多任务
遗世独立的乌托邦
08-15 2923
论文研读-基于种群分布的两阶段自适应知识迁移多目标进化多任务 Multiobjective Evolutionary Multitasking With Two-Stage Adaptive Knowledge Transfer Based on Population Distribution 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 Z. Liang, W. Liang, Z. Wang, X. Ma, L. Liu and Z. Zhu, "Multiobjective Evolutiona
论文快报-2021-10-Multi-task optimization and evolutionary multitasking
遗世独立的乌托邦
10-18 888
论文快报-2021-10-Multi-task optimization and evolutionary multitasking 觉得有用的话,欢迎一起讨论相互学习~ A Multi-Variation Multifactorial Evolutionary Algorithm for Large-Scale Multi-Objective Optimization 传送门 摘要 For solving large-scale multi-objective problems (LSMOPs),
论文研读-基于线性领域适应的进化多任务LDA-MFEA
遗世独立的乌托邦
09-26 438
论文研读-基于线性领域适应的进化多任务LDA-MFEA Linearized Domain Adaptation in Evolutionary Multitasking LDA-MFEA 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 [1]K.K. Bali, A. Gupta, L. Feng, Y.S. Ong, Tan Puay Siew, Linearized domain adaptation in evolutionary multitasking, in: 2017 IEEE Con
哈工程计算机学院师资,董红斌-哈尔滨工程大学教师个人主页
weixin_32841641的博客
07-02 1061
2021[81]Shuang Han, Hongbin Dong, Xuyang Teng, Xiaohui Li, Xiaowei Wang，Correlational Graph Attention-Based Long Short-Term Memory Network for Multivariate Time Series Prediction, Appl. Soft Comput, i...
人工智能术语翻译（四）
AI浩
07-29 3783
人工智能术语翻译第四部分，包括M、N、O、P开头的词汇！
Feature Selection for High-Dimensional Data.pdf
05-31
根据提供的文件信息，“Feature Selection for High-Dimensional Data.pdf”这一文档主要关注于高维数据中的特征选择问题。本文档属于“人工智能：基础、理论与算法”系列书籍的一部分，并由Verónica Bolón-Canedo...
Low-Dimensional Models for High-Dimensional Data From Linear to
06-12
我们目前正处于一场数据革命之中。在科学、健康甚至日常生活中产生的海量和不断增长的数据集将影响社会的许多领域。许多这样的数据集不仅大，而且是高维的，每个数据点可能包含数百万甚至数十亿个数字。...
isolet数据集
04-14
数据挖掘，离散点检测，isolet数据集，617维。
UCI数据集 .mat格式，
09-12
UCI数据集 .mat格式，可直接load使用，
读书笔记 在线流特征对不平衡数据的特征选择（Online feature selection for high-dimensional class-imbalanced data ）
axuan2580的博客
10-19 785
文献地址：Online feature selection for high-dimensional class-imbalanced data - ScienceDirect 1.本文写作的动机为：在真实的应用程序中，如欺诈检测和医疗诊断，数据是高维的，类是高度不平衡，在这种类不平衡的情况下，现有的在线特征选择算法通常会忽略在这些应用中可能很重要的小类，因此本文就对高维，不平衡数据的在线特征选择进行了研究。 流特征： 在线流的特征选择对象的数量是固定的，特征集是随时间增长的。在每个时间戳中，我们只能
机器学习
徐奕的专栏
04-18 9945
文章目录 机器学习基本理论 基本术语与方法特征选择概述多目标优化问题 分类算法、经典算法 分类算法NSGA2算法粒子群优化算法（PSO）聚类算法蚁群算法（ACO）其它算法 前沿算法 NSGA2算法前沿PSO算法差分分组算法其它算法 演化计算算法协同进化/演化python机器学习深度学习神经网络特征选择算法 点击上面的目录链接可快速定位所需内容，点击每个文章链
特征选择常用算法综述
weixin_34007906的博客
05-03 4044
1 综述   (1) 什么是特征选择 特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。   (2) 为什么要做特征选择        在机器学习的实际应用中，特征数量往往较多，其中...
趣味算法------试用 6 和 9 组成的最大数字
最新发布
markingyi的博客
08-26 207
给出一个数字，反转其中一位使数字最大化，递归求解。
算法日记day 45（单调栈之每日温度|接雨水）
m0_74980681的博客
08-22 870
如果大于，则取栈顶元素为中间值并弹出栈顶元素，将遍历的元素与新的栈顶元素值比较取较小者，减去中间值得到高度h，然后栈顶元素下标值减去当前遍历的元素下标值再减一得到宽度w，最后高×宽得到面积，并记录，重复上述操作，直到遍历结束。第三种，如果遍历的元素值大于栈顶元素，用该下标减去栈顶元素下标，并将栈顶元素弹出，继续用该元素与新的栈顶元素比较，如果小于等于，则压入栈，如果大于，重复第三步操作。第一种，如果之后遍历的元素值小于栈顶压入的元素，将该元素的下标压入栈中。如果小于栈顶元素值，则压入栈内。
代码随想录算法训练营19-回溯1
weixin_53416771的博客
08-22 361
画出来的树是这样记录所有组合，一个变量current装当前的处理结果，一个res装所有的处理的结果下面的代码还可以剪枝优化。
high-dimensional probability
11-07
高维概率是指在高维空间中进行的概率分析。在高维空间中，变量的维度较多，因此概率分布的特征和推断方法会发生一些变化。 首先，在高维空间中，由于维度较高，随机变量之间的相关性和依赖性更难以捕捉和理解。这导致了高维概率分布的复杂性增加。在低维空间中常见的概率分布，如正态分布，在高维情况下可能不再适用。因此，需要开发适用于高维情况的新的概率模型和分布。 其次，高维空间中的采样问题也变得更加困难。在低维空间中，采样可以通过“撒点”或随机抽样来实现。但是在高维空间中，由于样本空间的巨大增加，常规采样方法难以生成具有良好代表性的样本集。因此，高维概率分析需要引入更复杂的采样算法，如蒙特卡洛方法或重要性采样。 此外，高维空间中的维数灾难问题对高维概率分析产生了挑战。维数灾难指的是随着维度的增加，样本点在空间中变得稀疏，而概率密度的变化变得更加剧烈。这使得在高维空间中进行概率推断和估计变得困难。为了克服这个问题，需要采用降维技术或考虑变量之间的结构关系，以减轻维数灾难的影响。 总之，高维概率是一门研究在高维空间中的概率分布、采样和推断问题的学科。在高维空间中，概率分布的特征和推断方法会发生一些变化，需要开发新的模型和算法来适应高维情况。高维概率分析也面临着维数灾难等挑战，需要引入降维技术和结构关系的考虑来克服这些问题。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

身影王座

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值