特征离散化和EPSO算法选择的详细描述

EPSO的主要思想是使用BBPSO直接演化一个切点特征离散化，该切点可以是对应特征值范围内的任何值[MinF···MaxF]每个粒子的位置代表一个候选解，即n维实矢量对应于问题的维数. 图2显示了粒子位置及其对应的候选解的示例. 在此示例中，表示第一特性（F1）的切入点的粒子的第一维的值必须在[8.5，25.7]范围内. 如果要素F的更新点超出此范围，它将被设置为最近的边界.

总体中的粒子（个体）是切点

选择一组切线的粒子，然后执行以下操作

如果要素的所有值都设置为0或1，则可以将其视为不相关的要素，因为它无法区分实例中的类别. 功能选择将删除这些功能. （删除了上面两个示例的第二维和第三维）

（1）粒子初始化: 由于多维离散化，对高维数据的搜索空间很大. 这意味着对于那些在初始候选中未选择的特征，其切点将设置为相应特征的最大值. 对于其他选定特征，它们的切点将使用满足MDLP的最佳基于熵的切点进行初始化. 原则上，它们可以根据相应特征范围内的任何值进行初始化. 但是，完全随机的初始切点可能会导致收敛变慢. 此外，特征最佳切点的信息增益是其相关性的指标. 因此，在初始化过程中更有可能选择具有较大信息增益的特性.

（2）粒子评估: 基于粒子生成的切点，将训练数据转换为离散值和少量特征的新训练集. 这是由于消除了特征，这些特征的切割点等于最小值或最大值. 例如，在图2中，F3切割点等于其最大值，而F5切割点等于其最小值，这两个特征都将被丢弃.

然后，根据转换训练集的分类精度，评估每个粒子的离散化和FS解. 通过评估整个离散数据，该方法可以在考虑特征交互的同时评估所有选定特征的分割点. 适应度函数采用平衡的分类精度特征离散化，如下所示:

其中c是问题的类编号，TPi是在类i中正确标识的实例的数量. 硅|是第i类的样本量，所有类的权重为1 / c.

文章: “基于离散化的特征选择在PSO中的新表示形式”

作者: IEEE学生成员Binh Tran，IEEE成员薛冰和IEEE高级成员张梦洁

基于PSO的特征离散和选择算法

本文得分

得分手: 0平均得分: 0

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-174489-1.html