基于强化学习的特征选择算法研究

发布时间：2021-09-30 22:29

　　随着互联网、物联网、传感器等技术的快速发展,在生产和生活中产生了大量的数据,人们希望从这些数据中挖掘到有价值的信息。然而其中很多数据呈现出样本数量庞大、特征维度高的特点,这无疑加大了数据挖掘的难度。针对以上问题,研究者们往往通过特征选择的方法删除数据中无关、冗余的特征信息,从而降低特征维度、噪音干扰、算法复杂度,使模型变得简单且易于理解。特征选择在数据挖掘、人工智能、故障诊断等领域中,已经成为一个研究的热点。传统的特征选择算法存在着不足,或是选择的特征子集在进行分类任务时准确率较低,或是选择的特征子集规模较大。针对这些不足,本文以封装式特征选择模型为基础,结合强化学习理论中通过收益（奖赏）进行自主决策的方式,提出了基于强化学习的特征选择算法。在UCI数据集上与传统特征选择算法进行对比实验,实验结果表明本文算法可以选取较优的特征子集,证明了算法的可行性和有效性。本文主要研究内容包含以下两点:（1）在对现有特征选择方法研究的基础上,针对传统特征选择方法存在的问题,本文将特征选择过程与强化学习训练过程结合起来,提出了一种新的特征选择算法模型。该算法进行特征选择时,强化学习中的智能体（Agen... 

【文章来源】：重庆交通大学重庆市

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

不同特征选择算法在KNN分类器下分类准确度对比

重庆交通大学硕士学位论文表 5.5 不同特征选择算法在 LSVM 分类器下分类准确度对比（单位：%）Data Set Raw FCBF SVM-RFE SVM-L2 RLFS IRLFSWine98.31(2.59)78.65(11.81)95.89(2.22)63.94(13.65)96.01(5.00)96.93(3.56)Zoo92.07(4.27)91.34(4.93)90.58(5.50)89.33(4.74)87.48(9.20)91.56(6.41)Iono87.57(6.12)74.99(7.66)81.86(4.81)88.98(6.04)86.67(5.55)87.82(5.55)Sonar65.16(10.93)66.78(9.28)71.69(10.07)72.28(10.45)73.07(11.85)77.50(7.39)Average 85.78 77.94 85.01 78.63 85.81 88.45

第五章 实验与结果分析表 5.6 不同特征选择算法在朴素贝叶斯分类器下分类准确度对比（单位：%）Data Set Raw FCBF SVM-RFE SVM-L2 RLFS IRLFSWine96.16(4.24)79.86(10.87)97.80(2.68)61.20(15.31)96.70(5.07)96.16(5.50)Zoo95.20(4.88)95.17(6.19)91.07(3.31)91.07(3.31)95.37(2.56)95.40(4.63)Iono87.52(6.43)74.99(7.66)84.40(5.47)80.40(7.18)85.01(7.26)86.42(6.19)Sonar60.88(13.62)63.42(12.38)60.07(11.74)70.71(15.72)66.73(12.62)74.69(9.25)Average 84.94 78.36 83.34 75.85 85.95 88.17


本文编号：3416752