混合蒙特卡罗搜索的特征选择算法的优化

发布时间：2021-05-28 15:29

　　特征选择是机器学习和数据挖掘中处理高维数据的初步步骤,通过消除冗余或不相关的特征来识别数据集中最重要和最相关的特征,从而提高分类精度和降低计算复杂度。文中提出混合蒙特卡罗树搜索特征选择算法（HMCTS）,首先,根据蒙特卡罗树搜索方法迭代生成一个初始特征子集,利用ReliefF算法过滤选择前k个特征形成候选特征子集;然后,利用KNN分类器的分类精度评估候选特征,通过反向传播将模拟结果更新到迭代路径上所有选择的节点;最后,选择高精度的候选特征作为最佳特征子集。仿真结果表明,对比HPSO-LS和MOTiFS算法,HMCTS算法具有良好的可扩展性,且分类精度高。 

【文章来源】：信息技术. 2020,44(05)

【文章页数】：5 页

【部分图文】：

HMCTS模型图

Multiple中不同特征的平均准确率

Colon中不同特征的平均准确率

【参考文献】：
期刊论文
[1]云计算海量高维大数据特征选择算法研究[J]. 胡晶.  计算机仿真. 2019(04)
[2]UCT算法在不围棋博弈中的实现[J]. 梁国军,谢垂益,胡伶俐,林昊,李景炤.  韶关学院学报. 2015(08)

硕士论文
[1]基于蒙特卡罗树搜索的预测状态表示模型获取及特征选择研究[D]. 朱合兴.厦门大学 2017



本文编号：3208295