一种改进的浮动搜索特征子集算法
较优的特征子集对分类精度有着很大的影响,因此特征选择一直是人们研究的热点.在综合序列前向选择算法(SFS)和广义序列前向选择算法(GSFS)并结合基于分类精度的特征选取算法(CA-SFS),提出了一种改进的浮动搜索特征子集算法(AFS-FS).它改变GSFS算法中的r值,且每次都选择能达到最优分类效果的特征组合.算法设计以支持向量机作为分类器,将得出的分类精度作为准则函数对特征进行取舍.通过理论分析及仿真实验表明AFS-FS算法不但选择了较少的特征,而且取得了较好的分类效果.
数据挖掘 浮动搜索特征子集算法 支持向量机 分类精度
易超群 李建平 朱成文
国防科技大学理学院,湖南,长沙,410073
国内会议
长春
中文
87-90
2010-08-01（万方平台首次上网日期，不代表论文的发表时间）