使用多目標(biāo)骨架粒子群優(yōu)化的特征選擇算法資料概述

　　針對在分類問題中，數(shù)據(jù)之間存在大量的冗余特征，不僅影響分類的準(zhǔn)確性，而且會降低分類算法執(zhí)行速度的問題，提出了一種基于多目標(biāo)骨架粒子群優(yōu)化（ BPSO）的特征選擇算法，以獲取在特征子集個數(shù)與分類精確度之間折中的最優(yōu)策略。為了提高多目標(biāo)骨架粒子群優(yōu)化算法的效率，首先使用了一個外部存檔，用來引導(dǎo)粒子的更新方向；然后通過變異算子，改善粒子的搜索空間；最后，將多目標(biāo)骨架粒子群算法應(yīng)用到特征選擇問題中，并利用K近鄰（KNN）分類器的分類性能和特征子集的個數(shù)作為特征子集的評價標(biāo)準(zhǔn)，對UCI數(shù)據(jù)集以及基因表達(dá)數(shù)據(jù)集的12個數(shù)據(jù)集進(jìn)行實驗。實驗結(jié)果表明，所提算法選擇的特征子集具有較好的分類性能，最小分類錯誤率最大可以降低7.4 010，并且分類算法的執(zhí)行時間最多能縮短12S，能夠有效提高算法的分類性能與執(zhí)行速度。

　　特征選擇是數(shù)據(jù)挖掘以及模式識別中一種重要的數(shù)據(jù)預(yù)處理步驟。高維數(shù)據(jù)特征往往包含大量冗余特征、不相關(guān)的和噪聲特征。在數(shù)據(jù)分類問題中，分類性能常常被冗余的、不相關(guān)的和噪聲特征影響，并增加了計算成本。特征選擇的目的是選擇出最少的、相關(guān)的和有用的特征，以便提高分類性能和降低計算成本。

　　根據(jù)特征子集的選擇策略，特征選擇方法可以分為兩類：過濾式特征選擇方法和封裝式特征選擇方法。過濾式特征選擇的評價標(biāo)準(zhǔn)從數(shù)據(jù)集本身的內(nèi)部特性獲得，與學(xué)習(xí)算法無關(guān)，通常選擇與類別相關(guān)度大的特征或特征子集；封裝式特征選擇方法是利用分類算法的性能來評價特征子集的優(yōu)劣，采用搜索策略來尋找最優(yōu)子集。過濾式特征選擇方法由于特征選擇的標(biāo)準(zhǔn)與學(xué)習(xí)算法無關(guān)，不需要分類器的訓(xùn)練步驟，因此其通用性比封裝式特征選擇方法強(qiáng)，復(fù)雜度比封裝式特征選擇方法低，但是過濾式特征子集在分類準(zhǔn)確率方面比封裝式特征選擇方法低。