已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

A Multi-Objective Hybrid Filter-Wrapper Evolutionary Approach for Feature Construction on High-Dimensional Data

特征选择 计算机科学 分类器(UML) 数据挖掘 降维 遗传程序设计 维数之咒 人工智能 特征(语言学) 滤波器(信号处理) 模式识别(心理学) 适应度函数 进化算法 人口 机器学习 遗传算法 哲学 语言学 计算机视觉 人口学 社会学
作者
Marwa Hammami,Slim Bechikh,Chih‐Cheng Hung,Lamjed Ben Saïd
标识
DOI:10.1109/cec.2018.8477771
摘要

Feature selection and construction are important pre-processing techniques in data mining. They may allow not only dimensionality reduction but also classifier accuracy and efficiency improvement. These two techniques are of great importance especially for the case of high-dimensional data. Feature construction for high-dimensional data is still a very challenging topic. This can be explained by the large search space of feature combinations, whose size is a function of the number of features. Recently, researchers have used Genetic Programming (GP) for feature construction and the obtained results were promising. Unfortunately, the wrapper evaluation of each feature subset, where a feature can be constructed by a combination of features, is computationally intensive since such evaluation requires running the classifier on the data sets. Motivated by this observation, we propose, in this paper, a hybrid multiobjective evolutionary approach for efficient feature construction and selection. Our approach uses two filter objectives and one wrapper objective corresponding to the accuracy. In fact, the whole population is evaluated using two filter objectives. However, only non-dominated (best) feature subsets are improved using an indicator-based local search that optimizes the three objectives simultaneously. Our approach has been assessed on six high-dimensional datasets and compared with two existing prominent GP approaches, using three different classifiers for accuracy evaluation. Based on the obtained results, our approach is shown to provide competitive and better results compared with two competitor GP algorithms tested in this study.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
小二郎应助Nn采纳,获得10
刚刚
顺心的定帮完成签到 ,获得积分10
5秒前
Nakjeong完成签到 ,获得积分10
6秒前
8秒前
稻子完成签到 ,获得积分10
11秒前
小高完成签到 ,获得积分10
14秒前
19秒前
苹果丑应助Grayball采纳,获得30
19秒前
20秒前
无奈的代珊完成签到 ,获得积分10
20秒前
xx完成签到 ,获得积分10
22秒前
wenlong完成签到 ,获得积分10
22秒前
23秒前
Pandaer完成签到,获得积分10
23秒前
呵呵贺哈完成签到 ,获得积分10
23秒前
和平小鸽完成签到,获得积分10
24秒前
孤独问雁发布了新的文献求助10
24秒前
碧蓝皮卡丘完成签到,获得积分10
27秒前
虚心的惮完成签到 ,获得积分10
29秒前
大神完成签到,获得积分10
31秒前
32秒前
xiao完成签到 ,获得积分10
32秒前
34秒前
情怀应助LIUYI采纳,获得10
34秒前
852应助LIUYI采纳,获得10
34秒前
charitial完成签到,获得积分10
34秒前
我是老大应助Pandaer采纳,获得10
35秒前
李爱国应助Mr朱采纳,获得10
36秒前
酷波er应助孤独问雁采纳,获得10
36秒前
十三完成签到,获得积分10
38秒前
牛蛙丶丶完成签到,获得积分10
39秒前
语安完成签到 ,获得积分10
40秒前
40秒前
十三发布了新的文献求助10
41秒前
蓝色的大尾巴鱼完成签到,获得积分10
42秒前
你看,这只猫丶完成签到 ,获得积分10
43秒前
顾矜应助RR采纳,获得10
45秒前
freddyyuu完成签到 ,获得积分10
45秒前
ZJ完成签到,获得积分10
46秒前
带头大哥应助Grayball采纳,获得100
48秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256743
求助须知:如何正确求助?哪些是违规求助? 2898891
关于积分的说明 8302965
捐赠科研通 2568062
什么是DOI,文献DOI怎么找? 1394872
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630631