基于邻域近似误差率的多标记特征选择

多标记学习可以同时处理与一组标记相关的数据,多标记学习的研究对于多义性对象的学习建模具有十分重要的意义.与传统的单标记学习一样,数据的高维性是多标记学习的阻碍,因此数据降维是一项十分重要的工作,而特征选择是一种有效的数据降维技术.提出了基于邻域近似误差率的多标记特征选择算法.首先,在邻域粗糙集理论的基础上,引入实例的边界来对所有实例进行粒度化.其次,基于邻域决策误差率提出了邻域近似误差率的策略来评价特征.最后,在公开的数据集上进行了大量的实验,结果表明所提算法的有效性.

基于邻域决策误差率的层次分类在线流特征选择

在实际应用领域中,存在许多特征空间无法预先给定的场景,数据以特征流的形式随时间动态流入特征空间,而样本数量是固定不变的.同时,数据的类别中往往存在丰富的层次化结构关系,传统的特征选择算法在性能上已无法满足需求.基于此,本文提出一种面向层次分类学习的在线流特征选择算法.首先,利用兄弟节点之间的关系设计了一种基于最大近邻的决策误差率计算公式.其次,设计在线重要性选择和在线冗余更新两种在线评估准则,用于选择决策误差最小的特征子集.最后,在6个层次数据集上的实验结果表明,所提算法优于一些现有的在线流特征选择算法.