高维数据的1-范数支持向量机集成特征选择

【#文档大全网# 导语】以下是®文档大全网的小编为您整理的《高维数据的1-范数支持向量机集成特征选择》，欢迎阅读！

高维数据的1-范数支持向量机集成特征选择

鲍捷;杨明;刘会东

【期刊名称】《计算机科学与探索》 【年(卷),期】2012(006)010

【摘 要】特征选择是机器学习和模式识别领域的关键问题之一.随着模式识别与数据挖掘的深入,研究对象越来越复杂,对象的特征维数也越来越高,此时特征选择的稳定性也显得尤为重要.分析了1-范数支持向量机,用该方法对高维数据进行特征选择,并对特征选择的结果进行集成；提出了一种针对高维数据的稳定性度量方法;在基因表达数据上的实验结果表明,集成特征选择可以有效提高算法的稳定性.%Feature selection is one of the key issues in the field of machine learning and pattern recognition. With pattern recognition and data mining becoming increasingly deeper, the target of research becoming more and more complex and the dimension of feature becoming higher and higher, the stability of feature selection is particularly important. Based on the sparse SVM (support vector machine) model, this paper analyzes LiSVM (1-norm support vector machine), applies this method to feature selection on high-dimensional data and integrates the results of feature selection according to ensemble learning principle of feature selection. Moreover, the paper designs a new stability measure for high-dimensional data. The experimental results on the gene expression data demonstrate that ensemble feature selection is able to effectively improve the stability of feature selection.


【总页数】6页(P948-953) 【作 者】鲍捷;杨明;刘会东

【作者单位】南京师范大学计算机科学与技术学院,南京210046;南京师范大学计算机科学与技术学院,南京210046;南京师范大学计算机科学与技术学院,南京210046

【正文语种】中 文 【中图分类】TP302.7 【相关文献】

1.融合样本选择与特征选择的AdaBoost支持向量机集成算法 [J], 杨宏晖;王芸;孙进才;戴健;李亚安

2.集成特征选择的最优化支持向量机分类器模型研究 [J], 赵宇;陈锐;刘蔚 3.基于零范数特征选择的支持向量机模型 [J], 刘峤;秦志光;陈伟;张凤荔 4.基于特征选择的高维数据集成学习方法研究 [J], 周钢;郭福亮 5.支持向量机集成和特征选择联合算法 [J], 杨宏晖;孙进才;牛奕龙;赵妮

因版权原因，仅展示原文概要，查看原文内容请购买

本文来源：https://www.wddqxz.cn/145bb5a25df7ba0d4a7302768e9951e79a896944.html