《表2 五种特征选择在KNN上的平均分类精度比较》
图6(a)~(e)显示了使用SGAI、MIMIC_FS、TIE*、SRS和Rs选出的特征数与MBRPSO算法的比较结果。表5为MBRPSO算法最终选出的特征数。在大多数数据集中,MBRPSO算法选择的特征比其他算法少。MBRPSO从特征与类属性的相关性角度出发,最大限度地保留了与类相关的、更有区别性的特征。在特征之间的冗余方面,MBRPSO可以更有效地去除冗余特征,进一步减少特征之间的冗余,从而在特征分类数据较少的情况下达到最高的分类性能。重要的是,MBRPSO可以预先确定最终选择特征子集的数量。其他先进的马尔科夫毯特征选择算法在特征数量方面具有不确定性和不灵活性。
图表编号 | XD00201604100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 李静星、杨有龙 |
绘制单位 | 西安电子科技大学数学与统计学院、西安电子科技大学数学与统计学院 |
更多格式 | 高清、无水印(增值服务) |