关键词feature selection methods
搜索结果 - 10
- 物联网入侵检测的高效网络流量特征集
评估了使用不同的特征选择方法（信息增益、卡方检验、递归特征消除、平均绝对偏差和离散比）提供的特征集在多个 IoT 网络数据集中的影响，以提高计算机效率。结果显示在保持良好泛化能力的同时，提高了机器学习模型的计算效率，对于每个数据集识别出了最 - 通过自动整合市场指标优化销售预测
通过整合宏观经济时间序列和不同的特征选择方法，本研究探索数据驱动技术在改善顾客需求预测中的潜力。将不断自动识别的适当时间序列应用于工业合作伙伴的销售数据，并发现通过整合外部信息能够显著提升预测能力，尤其是使用前向特征选择技术能够自动化、无需 - 基于人工智能 (AI) 的新冠肺炎患者死亡预测
针对 COVID-19 严重患者，本研究利用九种机器学习算法和两种特征选择方法进行预测模型建立，发现重症肾脏损伤是最重要的特征。在预测死亡、ICU 需求和通气天数方面，LSTM 算法表现最佳，准确率达到 90%，敏感性为 92%，特异性为 - ERASE：深度推荐系统特征选择方法的基准测试
该研究论文提出了 ERASE，一种用于深度推荐系统的全面特征选择基准，通过对 11 种特征选择方法进行综合评估，涵盖了传统和深度学习方法，跨越四个公共数据集、私人工业数据集和一个真实的商业平台，取得了显著的改进。
- DeepDRK: 深度依赖规范化 Knockoff 用于特征选择
基于深度依赖正则化 knockoff 的模型在虚假发现率 (FDR) 控制方面表现优异，特别是在样本量较小且数据分布复杂的情况下，对合成数据、半合成数据和真实世界数据都取得了更好的性能。
- 特征选择的指纹生物特征识别
以手部几何为基础的四指生物特征方法，采用特征选择方法提高鉴别性能，实验使用 Bosphorus 手部数据库的 300 个受试者进行测试，通过排名为基础的本地 FoBa 算法选择的 25 个特征子集，实现了最佳鉴别准确率 98.67% 和等错 - 测量因果控制的因果熵和信息增益
该篇论文提出了蕴含系统因果结构的信息论量，用于评估给定的目标变量的因果重要性，并展示了因果信息增益在特征选择中的优越性，从而为涉及因果关系的领域的可解释性方法的发展铺平了道路。
- 论形式特征归属及其近似
借鉴形式推理解释，提出了正式特征归因（FFA）方法，通过近似 FFA 技术证明了其在特征重要性和顺序方面相对于现有特征归因算法的有效性。
- MM利用孪生网络和对比损失进行语音情绪识别
本文介绍一种利用对比损失函数来鼓励可学习特征的类内紧凑性和类间可分性的方法用于语音情感识别，结果表明该方法在 IEMOCAP 数据库上表现出比基准系统更好的性能。
- 特征选择方法对分子标志物准确性、稳定性和可解释性的影响
该研究对多种特征选择方法在乳腺癌预后方面的预测性能、稳定性和功能可解释性进行了比较，发现简单的过滤方法通常优于复杂的嵌入或包装方法，集成特征选择通常没有积极影响，最终得出平均而言简单的 Student's t-test 提供了最佳结果。