基于核空间类间平均距的径向基函数—支持向量机特征选择算法

被引：6

作者：

黄应清

赵锴

蒋晓瑜

机构：

[1] 装甲兵工程学院控制工程系

来源：

计算机应用研究 | 2012年 / 29卷 / 12期

关键词：

支持向量机; 特征选择; 核函数; 高斯径向基函数;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

SVM-RFE特征选择算法的算法复杂度高,特征选择消耗时间过长,为了缩短特征选择的时间,针对径向基函数—支持向量机分类器提出了依据核空间类间平均距进行特征选择的算法。首先分析了径向基函数核参数与数据集核空间类间平均距之间的关系,然后提出了依据单个特征对数据集的核空间类间平均距的贡献大小进行特征重要性排序的算法,最后用该算法和SVM-RFE算法分别对8个UCI数据集进行了特征选择实验。实验结果证明了该算法的正确性、有效性,而且特征选择的时间与SVM-RFE算法相比大大减小。

引用

页码：4556 / 4559

页数：4

共 9 条

[1] Accelerated Recursive Feature Elimination Based on Support Vector Machine for Key Variable Identification[J]. 毛勇,皮道映,刘育明,孙优贤. Chinese Journal of Chemical Engineering. 2006(01)
[2] 基于类间距的径向基函数-支持向量机核参数评价方法分析
宋小杉
蒋晓瑜
罗建华
姚军
[J]. 兵工学报, 2012, 33 (02) : 203 - 208
[3] A review of feature selection techniques in bioinformatics. Saeys Y,Inza I,Larranaga P. Bioinformatics . 2007
[4] UCI repository of machine learning databases. Blake C,Keogh E,Merz C J. Http://www.ics.uci.edu/mlearn/M L Repository.htm . 2003
[5] Improving the performance of SVM-RFE to select genes in microarray. Ding Yuanyuan,Wilkins D. BMC Bioinformatics . 2006
[6] The feature selection problem: Traditional methods and a new algorithm. Kira K,Rendell LA. AAAI-92 Proceedings of the 9th National Conference on Artificial Intelligence . 1992
[7] A practical guide to support vector classification. Hsu CW,Chang CC,Lin CJ. http://www.csie.ntu.edu.tw/cjlin/papers/guide/guide.pdf . 2003
[8] Gene Selection for Cancer Classification using Support Vector Machines[J] . Isabelle Guyon,Jason Weston,Stephen Barnhill,Vladimir Vapnik. &nbspMachine Learning . 2002 (1)
[9] 关于统计学习理论与支持向量机
张学工
[J]. 自动化学报, 2000, (01) : 36 - 46

← 1 →