文献类型：期刊文章

作　　者：李占山[1,2,3] 刘兆赓[2,3]

LI Zhanshan;LIU Zhaogeng(College of Computer Science and Technology,Jilin University,Changchun 130012,China;College of Software,Jilin University,Changchun 130012,China;Key Laboratory of Symbolic Computation and Knowledge Engineering,Ministry of Education,Jilin University,Changchun 130012,China)

机构地区：[1]吉林大学计算机科学与技术学院,吉林长春130012 [2]吉林大学软件学院,吉林长春130012 [3]吉林大学符号计算与知识工程教育部重点实验室,吉林长春130012

出　　处：《通信学报》

基　　金：国家自然科学基金资助项目(No.61672261);吉林省自然科学基金资助项目(No.2018010143JC);吉林省发改委产业技术研究与开发专项基金资助项目(No.2019C053-9)~~

年　　份：2019

卷　　号：40

期　　号：10

起止页码：101-108

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升(XGBoost)算法中构建树的思想过程,通过从3个重要性度量的角度来衡量特征的重要性,避免单一重要性度量的局限性;然后通过改进的序列浮动前向搜索策略(ISFFS)搜索特征子集,使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明,所提算法具有很好的性能。

关 键 词：特征选择  极端梯度提升  序列浮动搜索策略  

分 类 号：TP18]