Region of Interest Selection for Functional Features.
Region of Interest Selection for Functional Features.
复制标题
DOI：
10.1016/j.neucom.2020.10.009
复制
发表时间：
2021-01
期刊：
影响因子：
6
通讯作者：
Hahn J
中科院分区：
文献类型：
--
作者：
Wang Q;Lu Y;Zhang X;Hahn J
特征选择是监督学习中提高模型性能的关键组成部分。搜索最佳候选特征可能是 NP 困难的。在数据有限的情况下，交叉验证被广泛用于缓解过度拟合，但不幸的是，过度拟合的计算成本很高。我们在特征选择方面提出了一种高度创新的策略，以降低过度拟合风险，但无需交叉验证。我们的方法选择函数线性回归的函数特征的最佳子区间，即感兴趣区域（ROI），其中响应是标量，预测变量是函数。对于每个候选子区间，我们通过计算必要的样本量来评估过度拟合风险，以达到预先指定的统计功效。结合模型准确度测量，我们对这些子区间进行排名并选择投资回报率。所提出的方法已在几个参考数据集上与其他最先进的特征选择方法进行了比较。结果表明，我们提出的方法在预测精度方面取得了优异的性能，并大大降低了计算成本。
Feature selection is a critical component in supervised learning to improve model performance. Searching for the optimal feature candidates can be NP-hard. With limited data, cross-validation is widely used to alleviate overfitting, which unfortunately suffers from high computational cost. We propose a highly innovative strategy in feature selection to reduce the overfitting risk but without cross-validation. Our method selects the optimal sub-interval, i.e., region of interest (ROI), of a functional feature for functional linear regression where the response is a scalar and the predictor is a function. For each candidate sub-interval, we evaluate the overfitting risk by calculating a necessary sample size to achieve a pre-specified statistical power. Combining with a model accuracy measure, we rank these sub-intervals and select the ROI. The proposed method has been compared with other state-of-the-art feature selection methods on several reference datasets. The results show that our proposed method achieves an excellent performance in prediction accuracy and reduces computational cost substantially.
登录
查看更多内容
影响因子：
1.9
作者：
Su YR;Di CZ;Hsu L
通讯作者：
Hsu L
影响因子：
7.5
作者：
Robnik-Sikonja, M;Kononenko, I
通讯作者：
Kononenko, I
通过加权l(2,1)-范数和扩展弹性网络的判别性多类特征选择方法
影响因子：
6
作者：
Chen, Si-Bao;Zhang, Ying;Luo, Bin
通讯作者：
Luo, Bin
DOI：
10.1198/016214507000000527
发表时间：
2007-09-01
影响因子：
3.7
作者：
Reiss, Philip T.;Ogden, R. Todd
通讯作者：
Ogden, R. Todd
影响因子：
6.1
作者：
Neeland IJ;Grundy SM;Li X;Adams-Huet B;Vega GL
通讯作者：
Vega GL