基于二进制粒子群优化算法的封装式特征选择研究

在监督学习中,封装式特征选择能够筛选数据集的冗余特征,从而提高目标监督算法的性能。该文主要研究将二进制粒子群优化算法用于封装式特征选择问题时,3种不同的转换函数对粒子群算法性能的影响。首先,论述了标准粒子群算法和二进制粒子群算法的原理。其次,对比分析了二进制粒子群算法的S型转换函数、V型转换函数和线性转换函数。在实验阶段,对不同转换函数的二进制粒子群算法在特征选择问题中的性能进行了比较。实验结果表明,采用V2型转换函数的二进制粒子群优化算法搜索的特征子集,与直接在原特征上使用KNN算法得到的预测准确率相比,在总体上平均提升3.29%。