计算机科学与探索

作者：宁保斌, 王士同

单位：江南大学 人工智能与计算机学院，江苏 无锡 214122

关键词：集成特征选择,交叉验证,迁移学习,回归

相较于传统集成特征选择方法，目前的基于块正则化[m×2]交叉验证的集成特征选择方法（EFSBCV）不仅具有估计量的方差小于随机[m×2]交叉验证的方差之特点，而且提高了重要特征的入选概率，降低了噪声特征的入选概率。但EFSBCV所采用的线性回归模型因只有误差项而不包含偏置项，故拟合出来的超平面总是过原点的，因而很容易导致欠拟合，而且EFSBCV没有考虑每个特征子集的重要程度。针对EFSBCV方法存在的这两点问题，提出了基于快速迁移模型的集成特征选择方法（EFSFT）。基本思想是EFSBCV中的基特征选择器采用提出的快速迁移模型，从而引入了偏置项，EFSFT将[2m]个特征子集作为源知识进行迁移，然后重新量化每个特征子集的权重，加入偏置项的线性模型拟合能力更好。真实数据实验表明，EFSFT相对于EFSBCV，FP平均值降低了58%，证明EFSFT在去除噪声特征方面更具优势。EFSFT相对于最小二乘支持向量机（LSSVM），TP平均值提高了5%，证明EFSFT在筛选重要特征方面更具优势。

来源：2024年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第2期