原创力文档- 1、本文档共11页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
HCVR:一种具有相关性感知投票规则的特
征选择混合方法
∗
NikitaBhedasgaonkar,RushikeshK.Joshi
本DepartmentofComputerScienceEngineering
译IndianInstituteofTechnologyBombay
中Powai,Mumbai-400076,India.
1
vEmail:nbhedasgaonkar@,rkj@cse.iitb.ac.in
3
7
0
2
0
7.摘要
0
5在本文中，我们提出了HCVR（带有相关性感知投票规则的混合
2
:方法），这是一种轻量级基于规则的特征选择方法，结合参数到参数
v
i(P2P)和参数到目标(P2T)的相关性来消除冗余特征并保留相关特
x
r
a征。该方法是维度缩减中非迭代和迭代过滤方法的混合体。它是一种
贪心算法，通过反向剔除工作，在每一步可能消除多个特征。规则贡
献于对特征进行投票，通过多数投票作出保留或丢弃的决定。这些规
则利用了每对特征之间以及特征与目标之间的相关性阈值。我们提供
了HCVR应用于SPAMBASE数据集的结果。结果显示相比传统非迭
代(CFS,mRMR和MI)和迭代(RFE,SFS和遗传算法)技术，性能
有所提升。有效性是基于应用过滤后不同分类器的表现来评估的。
∗NikitaBhedasgaonkaranundergraduatestudentatAIandDataScienceDepartment
atPICT,Pune,whoisalsopursuingonlineB.S.inDataScienceandApplicationsatIIT
Madras,wasaresearchinternatIITBombaywherethisworkwascarriedout.
1介绍
特征选择（FS）是任何机器学习（ML）流水线中的一个关键预处理步
骤，旨在从高维数据集中识别出最具信息量和相关性的特征。[1].通过消除
冗余或不相关的特征，FS可用于提高模型性能、准确性，并减少训练和推
理过程中的计算开销。[2].在深度学习（DL）方法中，当使用有限的标注数
据或嘈杂输入时，由于模型往往过度参数化且容易过拟合，因此特征选择
尤为重要。
在软件工程、生物信息学和网络安全等领域，数据集往往具有高维性，
并且包含复杂的特征间相关性。在这种情况下，即使是像深度神经网络这
样强大的模型也难以隔离语义相关的特征[11]。虽然DL模型理论上能够学
习复杂非线性关系，但由于冗余和无关特征的存在，它们可能会受到影响
而无法减少这些特征的影响。因此，FS有助于合理的降维。
传统FS方法被广泛分类为过滤器、包装器、嵌入式和混合方法[1,2]。过
滤器基方法的示例包括互信息(MI)[5]、基于相关性的特征选择(CFS)[3]和
最小冗余最大相关性(mRMR)[4]。包装器基技术的示例包括递归特征消
除(RFE)[6]、顺序前向选择(SFS)[7]和遗传算法(GA)[8]。对于我们的
上下文，我们将它们分类为迭代的滤波器和非迭代滤波器。
1.1我们的方法简述
在这项工作中，我们提出了HCVR（带有相关性感知投票规则的混合
特征选择方法），这是一种结合了非迭代和迭代过滤器以进行降维的新颖混
合特
文档评论（0）