隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感器等技術(shù)的快速發(fā)展,在生產(chǎn)和生活中產(chǎn)生了大量的數(shù)據(jù),人們希望從這些數(shù)據(jù)中挖掘到有價(jià)值的信息。然而其中很多數(shù)據(jù)呈現(xiàn)出樣本數(shù)量龐大、特征維度高的特點(diǎn),這無(wú)疑加大了數(shù)據(jù)挖掘的難度。針對(duì)以上問(wèn)題,研究者們往往通過(guò)特征選擇的方法刪除數(shù)據(jù)中無(wú)關(guān)、冗余的特征信息,從而降低特征維度、噪音干擾、算法復(fù)雜度,使模型變得簡(jiǎn)單且易于理解。特征選擇在數(shù)據(jù)挖掘、人工智能、故障診斷等領(lǐng)域中,已經(jīng)成為一個(gè)研究的熱點(diǎn)。傳統(tǒng)的特征選擇算法存在著不足,或是選擇的特征子集在進(jìn)行分類任務(wù)時(shí)準(zhǔn)確率較低,或是選擇的特征子集規(guī)模較大。針對(duì)這些不足,本文以封裝式特征選擇模型為基礎(chǔ),結(jié)合強(qiáng)化學(xué)習(xí)理論中通過(guò)收益（獎(jiǎng)賞）進(jìn)行自主決策的方式,提出了基于強(qiáng)化學(xué)習(xí)的特征選擇算法。在UCI數(shù)據(jù)集上與傳統(tǒng)特征選擇算法進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明本文算法可以選取較優(yōu)的特征子集,證明了算法的可行性和有效性。本文主要研究?jī)?nèi)容包含以下兩點(diǎn):（1）在對(duì)現(xiàn)有特征選擇方法研究的基礎(chǔ)上,針對(duì)傳統(tǒng)特征選擇方法存在的問(wèn)題,本文將特征選擇過(guò)程與強(qiáng)化學(xué)習(xí)訓(xùn)練過(guò)程結(jié)合起來(lái),提出了一種新的特征選擇算法模型。該算法進(jìn)行特征選擇時(shí),強(qiáng)化學(xué)習(xí)中的智能體（Agen... 

【文章來(lái)源】：重慶交通大學(xué)重慶市

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同特征選擇算法在KNN分類器下分類準(zhǔn)確度對(duì)比

重慶交通大學(xué)碩士學(xué)位論文表 5.5 不同特征選擇算法在 LSVM 分類器下分類準(zhǔn)確度對(duì)比（單位：%）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 實(shí)驗(yàn)與結(jié)果分析表 5.6 不同特征選擇算法在樸素貝葉斯分類器下分類準(zhǔn)確度對(duì)比（單位：%）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


本文編號(hào)：3416752