FSMRDE

一种基于相对决策熵的特征选择方法。粗糙集理论已被证明是一种有效的特征选择工具。为了避免穷举方法中的指数计算,在粗糙集中提出了许多启发式特征选择算法。然而,这些算法仍然遭受高的计算成本。在本文中,我们提出了一种新的启发式特征选择算法(称为FSMRDE)在粗糙集。为了度量特征在FSMRDE中的重要性,我们提出了一种新的相对决策熵模型,它是Shannon信息熵在粗糙集中的扩展。此外,为了测试FSMRDE的有效性,我们将其应用于入侵检测和其他应用领域。实验结果表明,基于相对决策熵的特征重要性作为启发式信息,FSMRDE是一种有效的特征选择方法。特别是,FSMRDE能够实现大数据集的良好的可扩展性。