基于改进的F-score与支持向量机的特征选择方法
1 特征选择方法 1.1 传统的F 2score 特征选择方法 特征选择是从众多特征中选择出那些对分类识别最有效的特征,从而实现特征空间维数的压缩。F 2score 是一种衡量 第30卷第4期 2010年4月 计算机应用 Journal of Computer App licati ons Vol .30No .4Ap r .2010 ...
在分类问题中,主要有两种特征选择方式。一种是算法独立,例如F-score方法。F-score方法通过计算特征之间差异值,选出差异值较大的特征,简单有效,但是该方法并不能展现特... 何俊云 - 浙江工业大学 被引量: 0发表: 2014年 一种基于支持向量机的混合特征选择的入侵检测方法 本发明涉及入侵检测网络安全领域,特别涉及...
选择方法的两阶段式特征选择方法.首先以原始数据中特征的F-Score统计值为先验知识,然后结合序列前向搜索策略搜索优化的特征子集,搜索过程中依据分类算法的性能评价所选择的特征组合.采用十折交叉验证进行测试,并分别采用SVM、Logistic Regression、Adaboost分类模型进行对比实验,结果表明,算法能够有效地降低特征维数,并进一步...
摘要 本发明涉及一种基于改进F‑score特征选择及粒子群BP神经网络的负荷调度方法,该方法包括以下步骤:步骤1:根据改进的F‑score特征评价准则对影响负荷的因素进行衡量;步骤2:利用F‑score_Area法通过设定阈值选取最优特征子集;步骤3:将最优特征子集作为输入通过粒子群BP神经网络后得到负荷预测结果;步骤4:根据...
选择方法的两阶段式特征选择方法.首先以原始数据中特征的F-Score统计值为先验知识,然后结合序列前向搜索策略搜索优化的特征子集,搜索过程中依据分类算法的性能评价所选择的特征组合.采用十折交叉验证进行测试,并分别采用SVM、Logistic Regression、Adaboost分类模型进行对比实验,结果表明,算法能够有效地降低特征维数,并进一步...
F-score 作为特征选择准则,用支持向 量机(SVM)评估所选特征子集的有效性,实现有效的特征选择.通过 UCI 机器学习数 据库中六组数据集的实验测试,并与 SVM、PCA+SVM 方法进行比较,证明基于改 进 F-score 与 SVM 的特征选择方法不仅提高了分类精度,并具有很好的泛化能力, 且在训练时间上优于 PCA+SVM 方法. ...
Score特征选择的癫痫脑电信号识别方法.首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比.实验结果表明,本文方法可有效降低特征矩阵的维数,...
之间的辨别能力大小.以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择.通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法....
选择方法的两阶段式特征选择方法.首先以原始数据中特征的F-Score统计值为先验知识,然后结合序列前向搜索策略搜索优化的特征子集,搜索过程中依据分类算法的性能评价所选择的特征组合.采用十折交叉验证进行测试,并分别采用SVM、Logistic Regression、Adaboost分类模型进行对比实验,结果表明,算法能够有效地降低特征维数,并进一步...