复杂数据的统一特征选择方法基于通过信息颗粒化通过模糊β覆盖减小的复杂数据
IEEE transactions on neural networks and learning systems
|April 29, 2025
概括
本研究介绍了复杂数据集的统一特征选择 (UFS) 方法. 该方法有效地处理各种数据类型和缺失值,在机器学习任务中表现优于现有的方法.
科学领域:
- 数据挖掘和机器学习
- 人工智能的人工智能
- 信息理论 信息理论
背景情况:
- 特性选择对于减小维度,模型性能和数据分析中的可解释性至关重要.
- 现有的方法经常在复杂的现实数据中失败,例如混合的特征类型和缺失的值.
- 在能够处理异质和不完整数据集的特征选择技术中存在差距.
研究的目的:
- 为复杂的数据环境提出统一的特征选择 (UFS) 方法.
- 开发用于模糊β覆盖的新型不确定性指标.
- 解决当前特征选择方法在处理各种数据复杂性的局限性.
主要方法:
- 从代数和信息理论角度构建模糊β覆盖的单调不确定性措施.
- 设计了两个前向启发式算法,用于模糊的β覆盖减少.
- 复杂的,多特征数据的表示,通过信息颗粒化使用模糊的β覆盖.
主要成果:
- 拟议的UFS方法有效地处理具有多个特征类型和缺失值的复杂数据.
- 实验结果表明,与12种最先进的特征选择方法相比,UFS方法的优越性.
- 该方法显示了机器学习模型的性能和可解释性的显著改进.
结论:
- 开发的UFS方法为复杂数据场景中的特征选择提供了强大的解决方案.
- 新的模糊β覆盖减少技术为数据分析提供了强大的框架.
- 这项工作推进了特征选择领域,使现实世界,异质数据集的有效处理成为可能.
