×
黄，Kyongmi;Kim、Dohyun;李京植;中目Lee;松秀公园

使用符号分类的嵌入式变量选择方法。 （英语） Zbl 1419.62151号

安·Oper。物件。 254，编号1-2，89-109（2017）.
总结：我们提出了两种使用符号分类的变量选择方法。我们试图从一组输入变量中选择能够使分类器获得最佳性能的变量。一种方法基于反向选择重复删除变量，而第二种方法通过解决优化问题直接选择一组变量。该方法考虑变量之间的非线性相互作用进行变量选择，并用所选变量获得符号分类器。计算结果表明，与现有方法相比，所提出的方法能够更有效地选择期望的变量来预测输出，并为分类器提供更好或可比较的测试错误率。

引用于2文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
68T05型 人工智能中的学习和自适应系统

关键词：

分类问题;变量选择;嵌入式方法;符号分类

软件：

伦敦银行支持向量机;UCI-毫升;支持向量机;Matlab公司
PDF格式BibTeX公司 XML格式引用
\textit{K.Hwang}等人，Ann.Oper。第254号决议，第1-289-109号（2017年；兹bl 1419.62151）
全文： 内政部

参考文献：

[1] Bache，K.和Lichman，M.（2013）。加州大学欧文分校（UCI）机器学习库。http://archive.ics.uci.edu/ml。 ·Zbl 1102.68586号
[2] Bay，S.D.（1998年）。通过多个特征子集组合最近邻分类器。第15届机器学习国际会议论文集（ICML'98，第37-45页）。威斯康星州麦迪逊：摩根考夫曼出版社。
[3] Bertsimas，D.和Tsitsiklis，J.N.（1997年）。线性优化简介。雅典娜优化和神经计算科学系列第6名。贝尔蒙特：雅典娜科技公司，MAMSC。
[4] Bi，J.、Bennett，K.、Embrechts，M.、Breeman，C.和Song，M.（2003）。通过支持向量机进行降维。机器学习研究杂志，31229-1243·Zbl 1102.68531号
[5] Biesiada，J.和Duch，W.（2007年）。高维数据的特征选择——基于Pearson冗余的过滤器。计算机识别系统2，软计算进展（第45卷，第242-249页）。纽约：斯普林格·Zbl 1102.68605号
[6] Bradley，P.S.，Mangasarian，O.L.，&Street，W.N.（1998年）。通过数学编程进行特征选择。信息计算杂志，10209-217·Zbl 1034.90529号 ·doi:10.1287/ijoc.10.2.209
[7] Breiman，L.、Friedman，J.H.、Olshen，R.A.和Stone，C.J.（1984）。分类和回归树。加利福尼亚州贝尔蒙特：华兹华斯国际集团·Zbl 0541.62042号
[8] Canu，S.、Grandvalet，Y.、Guigue，V.和Rakotomamonjy，A.（2005）。支持向量机和核方法matlab工具箱。INSA de Rouen，Rouen：感知系统与信息。
[9] Chapelle，O.、Vapnik，V.、Bousquet，O.和Mukherjee，S.（2002年）。为支持向量机选择多个参数。机器学习，46131-159·Zbl 0998.68101号 ·doi:10.1023/A:1012450327387
[10] Cover，T.和Hart，P.（1967年）。最近邻模式分类。IEEE信息理论汇刊，13，21-27·Zbl 0154.44505号 ·doi:10.1109/TIT.1967.1053964
[11] Cun，Y.L.、Denker，J.S.和Solla，S.A.（1989年）。最佳脑损伤。《第二届神经信息处理系统年会论文集》（NIPS’89，第598-605页）。摩根考夫曼出版社：丹佛，科罗拉多州。
[12] Dash，M.、Choi，K.、Scheuermann，P.和Liu，H.（2002）。聚类的特征选择—一种过滤解决方案。第二届数据挖掘国际会议论文集（ICDM’02，第115-122页）。Maebashi:IEEE计算机协会·Zbl 0998.68111号
[13] Fung，G.M.和Mangasarian，O.L.（2004）。支持向量机分类的特征选择牛顿法。计算优化与应用，28185-202·Zbl 1056.90103号 ·doi:10.1023/B:COAP.000026884.66338.df
[14] Garey，M.R.和Johnson，D.S.（1979年）。计算机与难处理性：NP-完备性理论指南。，纽约州纽约市数学科学系列丛书：W.H.Freeman and Company·Zbl 0411.68039号
[15] Grandvalet，Y.和Canu，S.（2002年）。SVM中特征选择的自适应缩放。第15届神经信息处理系统年会论文集（NIPS’02，第553-560页）。不列颠哥伦比亚省温哥华：麻省理工学院出版社。
[16] Guyon，I.和Elisseeff，A.（2003）。变量和特征选择简介。《机器学习研究杂志》，31157-1182·Zbl 1102.68556号
[17] Guyon，I.、Weston，J.、Barnhill，S.和Vapnik，V.（2002）。使用支持向量机进行癌症分类的基因选择。机器学习，46389-422·Zbl 0998.68111号 ·doi:10.1023/A:1012487302797
[18] Hermes，L.和Buhmann，J.M.（2000年）。支持向量机的特征选择。《第15届模式识别国际会议论文集》（ICPR’00，第2卷，第716-719页）。巴塞罗那：IEEE计算机协会。
[19] Hosmer，D.和Lemeshow，S.（2005年）。应用逻辑回归（第二版）。，威利概率统计系列纽约：威利·Zbl 0967.62045号
[20] Hsu，C.W.，Chang，C.C和Lin，C.J.（2003）。支持向量分类的实用指南。技术报告，国立台湾大学计算机科学系，台北106，台湾·Zbl 1102.68605号
[21] Jebara，T.和Jaakkola，T.（2000）。最大熵判别中的特征选择和二重性。《第16届人工智能不确定性会议论文集》（UAI'00，第291-300页）。加利福尼亚州斯坦福：摩根·考夫曼出版社·Zbl 1381.62179号
[22] Jeong，Y.S.，Shin，K.，&Jeng，M.K.（2014年）。一种用于大规模特征选择问题的部分SFFS变异进化算法。运筹学学会杂志，65，1-19·doi:10.1057/jors.2012.161
[23] Kohavi，R.和John，G.H.（1997年）。特征子集选择的包装器。人工智能，97，273-324·Zbl 0904.68143号 ·doi:10.1016/S0004-3702（97）00043-X
[24] Kohavi，R.和Sommerfield，D.（1995年）。使用包装器方法选择要素子集：过度拟合和动态搜索空间拓扑。《第一届知识发现和数据挖掘国际会议论文集》（KDD’95，第192-197页）。魁北克蒙特利尔：AAAI出版社·Zbl 1102.68598号
[25] Lal，T.N.、Chapelle，O.、Weston，J.和Elisseeff，A.（2006）。特征提取：基础和应用（模糊性和软计算研究），第5章。嵌入式方法（第207卷，第137-165页）。柏林：斯普林格。
[26] Lawler，E.L.和Wood，D.E.（1966年）。分枝定界法：一项调查。运筹学，14（4），699-719·兹比尔0143.42501 ·doi:10.1287/opre.14.699
[27] Lee，K.、Kim，N.和Jeong，M.（2014）。稀疏符号分类和回归模型。《运筹学年鉴》，216257-286·Zbl 1381.62179号 ·doi:10.1007/s10479-012-1198-y
[28] MATLAB（2010）。版本7.10.0（R2010a）。The MathWorks Inc.，美国马萨诸塞州纳蒂克·Zbl 1102.68598号
[29] Murty，K.G.和Kabadi，S.N.（1987年）。二次规划和非线性规划中的一些NP-完全问题。数学编程，39，117-129·Zbl 0637.90078号 ·doi:10.1007/BF02592948
[30] Perkins，S.、Lacker，K.和Theiler，J.（2003年）。嫁接：通过函数空间中的梯度下降快速增量特征选择。机器学习研究杂志，3，1333-1356·Zbl 1102.68578号
[31] Rakotomamonjy，A.（2003年）。使用基于SVM的标准进行变量选择。机器学习研究杂志，31357-1370·Zbl 1102.68583号
[32] Rivals，I.和Personnaz，L.（2003年）。用于非线性建模的MLP（单层多项式和多层感知器）。机器学习研究杂志，31383-1398·Zbl 1102.68586号
[33] Stoppiglia，H.、Dreyfus，G.、Dubois，R.和Oussar，Y.（2003）。为变量和特征选择对随机特征进行排序。机器学习研究杂志，31399-1414·Zbl 1102.68598号
[34] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会期刊B辑（方法学），58（1），267-288·兹比尔0850.62538
[35] Tipping，M.E.（2001）。稀疏贝叶斯学习和相关向量机。机器学习研究杂志，1211-244·Zbl 0997.68109号
[36] Torkkola，K.（2003年）。基于非参数互信息最大化的特征提取。机器学习研究杂志，31415-1438·Zbl 1102.68638号
[37] Tsanas，A.、Little，M.A.、Fox，C.和Ramig，L.O.（2014）。目的自动评估帕金森病康复言语治疗效果。IEEE神经系统与康复工程学报，22（1），1801-1901·doi:10.1109/TNSRE.2013.2293575号文件
[38] Weston，J.、Mukherjee，S.、Chapelle，O.、Pontil，M.、Poggio，T.和Vapnik，V.（2000）。SVM的功能选择。第13届神经信息处理系统年会论文集（NIPS’00，第563-532页）。科罗拉多州丹佛：麻省理工学院出版社·兹比尔0143.42501
[39] Weston，J.、Elisseeff，A.、Schölkopf，B.和Tipping，M.（2003）。零形式与线性模型和核方法的结合。机器学习研究杂志，31439-1461·Zbl 1102.68605号
[40] Weston，J.、Elisseeff，A.、BakIr，G.和Sinz，F.（2006）。蜘蛛工具箱。http://people.kyb.tuebingen.mpg.de/spider。
[41] Xpress（2016）。Xpress 7.9。http://www.fico.com/en。
[42] Youn，E.和Jeong，M.K.（2009年）。文本挖掘中使用朴素贝叶斯分类器的类相关特征缩放方法。模式识别字母，30（5），477-485·doi:10.1016/j.patrec.2008.11.013
[43] Youn，E.、Jeong，M.K.和Baek，S.（2010年）。使用Fisher线性判别和支持向量机进行基于支持向量的特征选择。应用专家系统，37，6148-6156·Zbl 1365.94635号 ·doi:10.1016/j.eswa.2010.02.113
[44] Yu，L.，&Liu，H.（2003）。高维数据的特征选择：基于快速相关性的过滤解决方案。《第20届机器学习国际会议论文集》（ICML'03，第56-63页）。华盛顿特区：AAAI出版社·Zbl 0904.68143号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。