融合降噪自编码器与BPSO的特征组合方法及其中医应用

离散二进制粒子群算法(BPSO)在各种离散优化问题中有着诸多优势,但其很容易由于非线性的问题陷入局部最优解,无法得到最佳特征子集。而降噪自编码器可通过多层非线性网络进行映射与重构,对中医药数据有良好的处理效果。因此提出了一种融合降噪自编码器与BPSO的特征组合方法,该方法主要是利用降噪自编码器对特征进行非线性映射形成超完备基,然后在超完备基中通过BPSO进行搜索,从而得到最佳特征子集。分别采用临床糖尿病数据集和UCI数据集进行分析处理,实验结果表明,融合降噪自编码器与BPSO的特征组合方法对中医药临床实验数据有较好的适应性。

特征选择方法综述

特征选择作为一个数据预处理过程,在数据挖掘、模式识别和机器学习中有着重要地位。通过特征选择,可以降低问题的复杂度,提高学习算法的预测精度、鲁棒性和可解释性。介绍特征选择方法框架,重点描述生成特征子集、评价准则两个过程;根据特征选择和学习算法的不同结合方式对特征选择算法分类,并分析各种方法的优缺点;讨论现有特征选择算法存在的问题,提出一些研究难点和研究方向。

融入Lasso的XGBoost组合优化方法及其中医药数据分析

中医药物质基础实验数据不仅具有多成分、多靶点以及非线性的特点,还呈现出特征维数较高、样本较少的特性,而传统统计分析方法又难以解释非线性的数据,以及达到一个较好的降维效果。因此提出一种融入Lasso的XGBoost组合优化方法(LAXGB),该方法利用one-way ANOVA过滤无关特征,再结合Lasso算法进一步地去除无关特征和冗余特征,从而筛选出有效特征子集作为XGBoost算法的输入,再进行非线性回归,实现特征降维和模型优化的目的。采用中医药物质基础实验数据、中医药成分数据和UCI数据集进行分析,实验结果表明,该方法对中医药物质基础实验数据有较好的适应性。