A Feature Subset Selection Algorithm Automatic Recommendation Method
A Feature Subset Selection Algorithm Automatic Recommendation Method
复制标题
一种特征子集选择算法自动推荐方法
DOI：
10.1613/jair.3831
复制
发表时间：
2013-05
影响因子：
5
通讯作者：
Yuming Zhou
中科院分区：
文献类型：
--
作者：
Heli Sun;Xueying Zhang;Baowen Xu;Yuming Zhou
许多特征子集选择（FSS）算法已经提出，但不是所有的都是适合于一个给定的特征选择问题。同时，到目前为止，很少有一个很好的方法来选择合适的FSS算法的问题。因此，FSS算法的自动推荐具有重要的现实意义。提出了一种基于Meta学习的FSS算法自动推荐方法。该方法首先通过k-近邻分类算法确定与当前数据最相似的数据集，然后根据常用数据集特征计算这些数据集之间的距离。然后，根据它们在这些相似数据集上的性能对所有候选FSS算法进行排名，并选择性能最好的算法作为合适的算法。候选FSS算法的性能评估的多标准度量，考虑到不仅在所选功能的分类精度，但也运行时的功能选择和所选功能的数量。建议的推荐方法进行了广泛的测试115真实的世界的数据集与22个著名的和常用的不同的FSS算法的五个代表性的分类。实验结果表明了本文提出的FSS算法推荐方法的有效性。
Many feature subset selection (FSS) algorithms have been proposed, but not all of them are appropriate for a given feature selection problem. At the same time, so far there is rarely a good way to choose appropriate FSS algorithms for the problem at hand. Thus, FSS algorithm automatic recommendation is very important and practically useful. In this paper, a meta learning based FSS algorithm automatic recommendation method is presented. The proposed method first identifies the data sets that are most similar to the one at hand by the k-nearest neighbor classification algorithm, and the distances among these data sets are calculated based on the commonly-used data set characteristics. Then, it ranks all the candidate FSS algorithms according to their performance on these similar data sets, and chooses the algorithms with best performance as the appropriate ones. The performance of the candidate FSS algorithms is evaluated by a multi-criteria metric that takes into account not only the classification accuracy over the selected features, but also the runtime of feature selection and the number of selected features. The proposed recommendation method is extensively tested on 115 real world data sets with 22 well-known and frequently-used different FSS algorithms for five representative classifiers. The results show the effectiveness of our proposed FSS algorithm recommendation method.
登录
查看更多内容
DOI：
10.1007/978-3-030-88132-0_2
发表时间：
2021
期刊：
Automated Machine Learning and Meta-Learning for Multimedia
影响因子：
--
作者：
Wenwu Zhu;Xin Wang
通讯作者：
Wenwu Zhu;Xin Wang
影响因子：
7.1
作者：
Alain Grumbach
通讯作者：
Alain Grumbach
DOI：
--
发表时间：
1998-08
期刊：
--
影响因子：
--
作者：
G. Nakhaeizadeh;A. Schnabl
通讯作者：
G. Nakhaeizadeh;A. Schnabl
DOI：
10.1016/s1088-467x(97)00008-5
发表时间：
1997-05
期刊：
Intell. Data Anal.
影响因子：
--
作者：
M. Dash;Huan Liu
通讯作者：
M. Dash;Huan Liu
DOI：
--
发表时间：
1998-07
期刊：
--
影响因子：
--
作者：
E. Frank;I. Witten
通讯作者：
E. Frank;I. Witten