文献类型：期刊文章

作　　者：张俐[1,2] 王枞[1,2]

ZHANG Li;WANG Cong(School of Software, Beijing University of Posts and Telecommunications, Beijing 100876, China;Key Laboratory of Trustworthy Distributed Computing and Service of Ministry of Education, Beijing University of Posts and Telecommunications, Beijing 100876, China)

机构地区：[1]北京邮电大学软件学院,北京100876 [2]北京邮电大学可信分布式计算与服务教育部重点实验室,北京100876

出　　处：《通信学报》

基　　金：国家科技基础性工作专项基金资助项目(No.2015FY111700-6)~~

年　　份：2018

卷　　号：39

期　　号：5

起止页码：111-122

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在过去的几十年中,特征选择已经在机器学习和人工智能领域发挥着重要作用。许多特征选择算法都存在着选择一些冗余和不相关特征的现象,这是因为它们过分夸大某些特征重要性。同时,过多的特征会减慢机器学习的速度,并导致分类过渡拟合。因此,提出新的基于前向搜索的非线性特征选择算法,该算法使用互信息和交互信息的理论,寻找与多分类标签相关的最优子集,并降低计算复杂度。在UCI中9个数据集和4个不同的分类器对比实验中表明,该算法均优于原始特征集和其他特征选择算法选择出的特征集。

关 键 词：特征选择  条件互信息 特征交互 特征相关  特征冗余  

分 类 号：TP181]