特征選擇是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中處理高維數(shù)據(jù)的初步步驟,通過消除冗余或不相關(guān)的特征來識別數(shù)據(jù)集中最重要和最相關(guān)的特征,從而提高分類精度和降低計(jì)算復(fù)雜度。文中提出混合蒙特卡羅樹搜索特征選擇算法（HMCTS）,首先,根據(jù)蒙特卡羅樹搜索方法迭代生成一個(gè)初始特征子集,利用ReliefF算法過濾選擇前k個(gè)特征形成候選特征子集;然后,利用KNN分類器的分類精度評估候選特征,通過反向傳播將模擬結(jié)果更新到迭代路徑上所有選擇的節(jié)點(diǎn);最后,選擇高精度的候選特征作為最佳特征子集。仿真結(jié)果表明,對比HPSO-LS和MOTiFS算法,HMCTS算法具有良好的可擴(kuò)展性,且分類精度高。 

【文章來源】：信息技術(shù). 2020,44(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

HMCTS模型圖

Multiple中不同特征的平均準(zhǔn)確率

Colon中不同特征的平均準(zhǔn)確率

【參考文獻(xiàn)】：
期刊論文
[1]云計(jì)算海量高維大數(shù)據(jù)特征選擇算法研究[J]. 胡晶.  計(jì)算機(jī)仿真. 2019(04)
[2]UCT算法在不圍棋博弈中的實(shí)現(xiàn)[J]. 梁國軍,謝垂益,胡伶俐,林昊,李景炤.  韶關(guān)學(xué)院學(xué)報(bào). 2015(08)

碩士論文
[1]基于蒙特卡羅樹搜索的預(yù)測狀態(tài)表示模型獲取及特征選擇研究[D]. 朱合興.廈門大學(xué) 2017



本文編號：3208295