SVM-RFE based feature selection and Taguchi parameters optimization for multiclass SVM classifier.
SVM-RFE based feature selection and Taguchi parameters optimization for multiclass SVM classifier.
复制标题
DOI：
10.1155/2014/795624
复制
发表时间：
2014
影响因子：
--
通讯作者：
Jiang BR
中科院分区：
文献类型：
--
作者：
Huang ML;Hung YH;Lee WM;Li RK;Jiang BR
近年来，支持向量机（SVM）在分类和预测方面具有优异的性能，被广泛应用于疾病诊断和医疗辅助等领域。然而，SVM只适用于两组分类问题。本研究结合特徴选择与支持向量机递归特徴消除（SVM-RFE），探讨皮肤科与动物园资料库多类别问题的分类准确度。皮肤病学数据集包含33个特征变量，1个类变量和366个测试实例; Zoo数据集包含16个特征变量，1个类变量和101个测试实例。两个数据集中的特征变量按解释力从高到低排序，并通过SVM-RFE选择不同的特征集来探索分类精度。同时，将田口方法与SVM分类器相结合，优化参数C和γ，提高多类分类的分类精度。实验结果表明，在皮肤病学和动物园数据库的SVM-RFE特征选择和田口参数优化后，分类准确率可以达到95%以上。
Recently, support vector machine (SVM) has excellent performance on classification and prediction and is widely used on disease diagnosis or medical assistance. However, SVM only functions well on two-group classification problems. This study combines feature selection and SVM recursive feature elimination (SVM-RFE) to investigate the classification accuracy of multiclass problems for Dermatology and Zoo databases. Dermatology dataset contains 33 feature variables, 1 class variable, and 366 testing instances; and the Zoo dataset contains 16 feature variables, 1 class variable, and 101 testing instances. The feature variables in the two datasets were sorted in descending order by explanatory power, and different feature sets were selected by SVM-RFE to explore classification accuracy. Meanwhile, Taguchi method was jointly combined with SVM classifier in order to optimize parameters C and γ to increase classification accuracy for multiclass classification. The experimental results show that the classification accuracy can be more than 95% after SVM-RFE feature selection and Taguchi parameter optimization for Dermatology and Zoo databases.
登录
查看更多内容
影响因子：
8
作者：
Liu, Yiguang;You, Zhisheng;Cao, Liping
通讯作者：
Cao, Liping
影响因子：
8.5
作者：
Huang, Cheng-Lung;Liao, Hung-Chang;Chen, Mu-Chen
通讯作者：
Chen, Mu-Chen
影响因子：
8.5
作者：
Chen, Hui-Ling;Yang, Bo;Liu, Da-You
通讯作者：
Liu, Da-You
一种基于人工对比变量和互信息的支持向量机-递归特征消除特征选择方法
DOI：
10.1016/j.jchromb.2012.05.020
发表时间：
2012-12-01
影响因子：
3
作者：
Lin, Xiaohui;Yang, Fufang;Xu, Guowang
通讯作者：
Xu, Guowang
影响因子：
6.2
作者：
Ren, Yueying;Liu, Huanxiang;Fan, Botao
通讯作者：
Fan, Botao