Jun, 2023

特征选择：关于属性间合作的视角

PDF
TL;DR研究高维数据集中的特征选择方法及其发展，包括单变量相关性排名算法、关联 - 冗余折衷和基于多变量依赖性的方法，并总结文献中各种方法的贡献，同时介绍当前的问题和挑战，以确定未来的研究和发展方向。
high-dimensional datasetsfeature selectionfilter feature selection methodsmultivariate dependencies-based approachesdata processing
发现论文，激发创造
  • 特征选择：基于数据的视角

    本篇综述旨在回顾并总结近年来针对传统数据、结构化数据、异构数据、流数据的特征选择算法的研究进展，以及介绍一种特征选择仓库来方便算法研究，并提出一些未来研究中需要关注的问题。

    Jan, 2016

  • 一种用于机器学习中的高维数据集的基于对比的特征选择算法

    通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

    Jan, 2024

  • 特征选择调查

    本文综述了不同的特征选择方法及其与机器学习算法之间的关系，阐述了特征选择在数据挖掘过程中的重要性，特别是在处理数量过多的特征时，可以降低计算负担和提高机器学习任务的准确性。

    Oct, 2015

  • 基于互信息的特征选择方法综述

    本文介绍了信息论特征选择方法的现状，阐明了特征相关性、冗余性和补充性（协同作用）的概念，以及马尔科夫毯子。定义了最优特征选择的问题。我们描述了一个统一的理论框架，它可以使成功的启发式标准符合相应方法所做的近似。还介绍了该领域中的一些未解决问题。

    Sep, 2015

  • 特征和实例联合选择：一种强化学习的视角

    本研究提出了一种基于强化学习的联合特征选择和实例选择方法，通过使用序列扫描机制作为代理的行动策略，协作变化环境来加强代理合作，并引入交互范式来帮助代理进行更高效的探索。实验表明，本方法可以有效地捕捉特征空间和实例空间之间的交互关系。

    May, 2022

  • 利用替代特征选择找到最佳的多样特征集

    特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复杂性并证明了其 NP-hardness。最后，我们使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

    Jul, 2023

  • 无监督特征选择方法的性能分析

    本文比较了不同算法在特征选择方面的效果，结果表明 PCA、Rough PCA、USQR 和 EDR 算法能够快速筛选出对数据分类最相关的特征。

    Jun, 2013

  • 特征合奏：判别特征选择遇见无监督聚类

    本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

    Nov, 2014

  • 基于集合博弈理论的无监督分类数据特征排序

    本文提出了一种基于博弈理论、计算特征重要性的方法，用于无监督特征选择并消除冗余，结果表明该方法在降低冗余率的同时最大化数据信息。同时，本文还介绍了一种计算 Shapley 值的算法的近似版本，使其能够降低复杂度。

    May, 2022

  • 通过鲁棒性选择特征以应对维度灾难

    提出了一种新方法，该方法根据内在维度的计算，选择可区分数据子集的特征，有助于降低高维度和特征选择的困扰。实验证明该方法优于传统方法，并可在含数百万个数据点的数据集上应用。

    Apr, 2023