进化计算在大规模高维特征选择中的应用综述.pdfVIP

第３６卷第２期北方工业大学学报Ｖｏｌ．３６Ｎｏ．２

２０２４年４月Ｊ．ＮＯＲＴＨＣＨＩＮＡＵＮＩＶ．ＯＦＴＥＣＨ．Ａｐｒ．２０２４

进化计算在大规模高维特征选择中的应用综述

叶志伟，王巧，周雯，王明威，蔡婷，何其祎

（湖北工业大学计算机学院，武汉４３００６８）

摘要随着大数据时代的到来，数据的规模和特征维度呈现爆炸式增长，这给数据处理带来了前所未有的

挑战。特征选择作为数据预处理的关键环节，在处理大规模高维数据时显得尤为重要。而进化计算方法因其出色

的全局搜索能力和高效的优化性能，越来越多的研究者开始对其进行研究，其在大规模高维特征选择中得到了广

泛的应用。本文首先介绍了大规模高维数据处理的重要性；然后简单介绍了部分经典和较新的进化计算方法，并

详细介绍了其在大规模高维特征选择中的应用情况；最后对目前进化计算在大规模高维特征选择中存在的问题进

行总结，并展望了其未来的发展方向。

关键词特征选择；进化计算；全局搜索；数据预处理；机器学习

分类号ＴＰ３０１.６

在当今信息时代，数据的快速增长和高维度特从特征选择的基本框架（图１）可以看出，特征

征的普遍存在使得数据分析和模型构建变得更为复选择方法中有四个基本步骤。在这四个步骤中，

杂且具有挑战性。这一环节的核心问题在于如何从“子集生成”和“子集评价”是最重要的两个步骤。

庞大的特征池中挑选出对模型建设和预测最为关键“子集生成”使用搜索方法生成候选特征子集。候

的特征，以提高计算效率、模型性能和对数据的理选子集的优劣程度是通过“子集评价”中的评价函

解。传统的全特征建模方法显然已经无法满足需数来衡量，即采用群集智能（ＳｗａｒｍＩｎｔｅｌｌｉｇｅｎｃｅ，ＳＩ）

求，因为这不仅会导致计算资源的过度耗费，还容易方法中的适应度函数。基于“子集评估”的反馈，

引入冗余和噪声，从而降低模型的泛化能力。在这［３］

“子集生成”有望生成更多有前途的特征子集。

个背景下，特征选择成为了处理大规模高维数据的通过有效的特征选择，我们能够优化模型的训练和

关键环节之一。特征选择是从数据集特征的所有组预测速度，提升模型的准确性和鲁棒性，也有助于降

［１］

合组成的搜索空间中选择相关特征子集的过程。低存储和计算成本，适应云计算等资源受限环境。

目标是寻找一个能够有效识别目标的最小特征子此外，合理的特征选择方法不仅能提高机器学习模

［２］

集。Ｄａｓｈ等给出的定义是选择尽量小的特征子型的性能，还帮助我们更深入地理解数据，提高数据

集，并满足不显著降低分类精度和不显著改变类分科学的可解释性。因此，特征选择不仅仅是一个技

布两个条件，并给出了特征选择的基本框架。术问题，更是推动数据科学和机器学习前进的关键

一环，为深度挖掘数据背后的规律和信息提供了有

力支持。特征选择的解决方法多种多样，其中进化

计算因其强大的全局搜索能力和潜力，近年来逐渐

成为解决大规模高维数据问题的热点技术，更是在