《表4 基于NES各种优化策略的分类准确率和维度缩减率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自然进化策略的特征选择算法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文提出的特征选择算法MCC-NES是在NES的基础上使用了一些优化策略，为了验证这些策略的有效性，我们对比了原始NES，NES+F（在NES的基础上使用新的适应度函数），NES+CC（在NES基础上使用合作协同进化策略），MNES（基于NES的分布式多种群进化策略），MNES+RE（在MNES基础上使用重启策略）在5个数据集（按照特征维数分别代表低维数据、中维数据、高维数据以及更高维度数据）上的表现，实验中使用1-NN分类器，实验结果由表4给出.表4中的粗体部分对应了该组实验中最佳分类准确率（CA）和维度缩减率（DR）.如表4中数据所示:在NES的基础上，通过采用相关的优化策略，可以有效地提高算法的性能.分析其原因分别为:在引入新的适应度函数后，因为综合考虑了维度缩减的影响，因此大幅提升了算法的DR值；在采用子种群合作协同进化策略后，通过将原始特征集合划分成多个子块进行协同进化，使得种群能更充分地探索局部搜索空间并发掘出关键信息，因此大幅提升了算法的分类准确率和维度压缩率；通过使用多种群分布式进化策略，实现多个种群并行搜索，更大程度地在搜索空间进行探索，因此提升了算法的性能；而通过引入种群重启策略后，让种群能够跳出局部最优解，并不断地将表现差的种群向表现好的种群进行转移，因此对分类准确率也有一定的改进.