一种快速的特征选择框架和方法

doi:10.13190/j.jbupt.2018-151

北京邮电大学学报 ›› 2019, Vol. 42 ›› Issue (3): 127-132.doi: 10.13190/j.jbupt.2018-151

• 研究报告 • 上一篇

一种快速的特征选择框架和方法

仇利克¹, 刘竞², 孙中卫³, 赵扬帆⁴

1. 山东外贸职业学院信息管理系, 青岛 266100;
2. 青岛农业大学理学与信息科学学院, 青岛 266100;
3. 青岛理工大学信息与控制工程学院, 青岛 266100;
4. 山东青岛烟草有限公司综合计划处, 青岛 266100

收稿日期:2018-07-04 出版日期:2019-06-28 发布日期:2019-06-20
作者简介:仇利克(1979-),女,讲师,E-mail:qllike@163.com.
基金资助:
国家重点研发计划项目（2016YFC1401907）；国家自然科学基金项目（61827810）

A Fast Feature Selection Framework and Method

QIU Li-ke¹, LIU Jing², SUN Zhong-wei³, ZHAO Yang-fan⁴

1. Information Management Department, Shandong Foreign Trade Vocational College, Qingdao 266100, China;
2. Science and Information College, Qingdao Agricultural University, Qingdao 266100, China;
3. School of Information and Control Engineering, Qingdao University of Technology, Qingdao 266100, China;
4. Comprehensive Planning Office, Shandong Qingdao Tobacco Copany Limited, Qingdao 266100, China

Received:2018-07-04 Online:2019-06-28 Published:2019-06-20

摘要/Abstract

摘要： 针对特征选择过程中准确率和计算效率不平衡问题，提出了一种快速特征选择框架（FFFS）.基于该框架，使用最小冗余最大相关方法（MRMR）选择候选特征，借助序列前向选择方法（SFS）验证性能，并通过限定迭代次数提高计算性能.与MRMR、SFS和混合序列浮动前向选择算法（FDHSFFS）的对比实验结果表明，提出的快速特征选择算法MRMR-SFS能在预测准确率和计算效率之间取得较好的平衡.

关键词: 特征选择, filter, wrapper, hybrid, 性能预测, 相关系数

Abstract: Aiming at the imbalance between accuracy and computational efficiency in feature selection, a fast feature selection framework (FFFS) is proposed. Based on this framework, a fast feature selection algorithm, MRMR-SFS, is proposed. The minimum redundancy maximum relevance (MRMR) method is used to select the candidate features, and sequential forward selection (SFS) method is used to verify the performance of the candidate features as well. It improves the calculation efficiency by limiting the number of iterations. Comparison experiments with the MRMR, SFS and a filter-dominating hybrid sequential floating forward selection algorithms demonstrate that MRMR-SFS can balance the accuracy and computational efficiency well.

Key words: feature selection, filter, wrapper, hybrid, performance prediction, correlation coefficient

中图分类号:

TP181

仇利克, 刘竞, 孙中卫, 赵扬帆. 一种快速的特征选择框架和方法[J]. 北京邮电大学学报, 2019, 42(3): 127-132.

QIU Li-ke, LIU Jing, SUN Zhong-wei, ZHAO Yang-fan. A Fast Feature Selection Framework and Method[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2019, 42(3): 127-132.

[1]	刘占峰, 潘甦. 粒子群优化的模糊粗糙集双约简算法[J]. 北京邮电大学学报, 2021, 44(4): 49-55.
[2]	周楷, 黄赛, 曾昱祺, 高晖, 卢华. 基于稳态循环谱特征的通信辐射源识别方法[J]. 北京邮电大学学报, 2021, 44(3): 100-105.
[3]	彭岩, 赵梓如, 吴婷娴, 王洁. PM_2.5浓度预测与影响因素分析[J]. 北京邮电大学学报, 2019, 42(6): 162-169.
[4]	张俐, 袁玉宇, 王枞. 基于最大相关信息系数的FCBF特征选择算法[J]. 北京邮电大学学报, 2018, 41(4): 86-90.
[5]	崔鸿雁, 徐帅, 张利锋, Roy E. Welsch, Berthold K. P. Horn. 机器学习中的特征选择方法研究及展望[J]. 北京邮电大学学报, 2018, 41(1): 1-12.
[6]	刘新华, 赵子谦, 旷海兰, 马小林, 李方敏. 基于特征选择的皮肤检测混合颜色空间的选取[J]. 北京邮电大学学报, 2018, 41(1): 24-30.
[7]	仇利克, 郭忠文, 刘青, 刘颖健, 仇志金. 基于冗余分析的特征选择算法[J]. 北京邮电大学学报, 2017, 40(1): 36-41.
[8]	李金凤, 吴涛, 王宏霞. 基于MFCC相关系数的语音感知哈希认证算法[J]. 北京邮电大学学报, 2015, 38(2): 89-93.
[9]	乔媛媛, 刘芳, 凌艳, 尹劲松. 云计算环境下MapReduce的资源建模与性能预测[J]. 北京邮电大学学报, 2014, 37(s1): 115-119.
[10]	张素香. 智能小区的商业智能[J]. 北京邮电大学学报, 2012, 35(5): 94-97.
[11]	张剑，钱宗珏，寿国础，胡怡红. 在线聚类的网络流量识别[J]. 北京邮电大学学报, 2011, 34(1): 103-106.
[12]	孙跃鹏;刘民;郝井华;吴澄. 基于SVM特征选择的整经轴数预测算法[J]. 北京邮电大学学报, 2009, 32(6): 88-92.
[13]	熊文;王枞. 改进粒子群与支持向量机混合的特征变换[J]. 北京邮电大学学报, 2009, 32(6): 24-27.
[14]	王浩畅1, 赵铁军1, 刘延力2, 于浩1. 生物医学文本中命名实体识别的智能化方法[J]. 北京邮电大学学报, 2006, 29(s2): 54-58.
[15]	董斌, 陈俊亮. 软交换处理能力预测与资源优化分配策略研究[J]. 北京邮电大学学报, 2004, 27(4): 18-22.

一种快速的特征选择框架和方法

A Fast Feature Selection Framework and Method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价