抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
今日では高次元データは多くの科学および研究応用において重要な役割を果たしている。高次元データはいくつかの特徴や属性から構成されている。これらのデータは,冗長と無関係な特徴を含む可能性がある。次元の呪いはデータマイニングと機械学習において重要な問題である。データの次元を低減し,分類性能を改善するために,望ましくないと冗長な特徴を除去する必要がある。特徴選択法を用いてデータのオリジナルセットから冗長と無関係な特徴を同定した。特徴選択は特徴の集合から最も代表的な特徴を同定するプロセスである。FASTのような既存の特徴選択アルゴリズムは,データの収集から無関係で冗長な特徴を除去することにより次元を減少させ,特徴の必要な部分集合を選択する。FASTアルゴリズムは特徴の間の相関の尺度として使用される対称不確実性を計算するための情報利得を使用した。情報利得は他の特徴またはクラスに関して特徴の存在のみをチェックする。しかし,これは正確な結果を与えない。高速アルゴリズムから得られた結果の精度は低かった。新しい二成分オキアミ群(BKH)アルゴリズムは,特徴選択のために導入した,分類器を目的関数として用いた。BKHはオキアミ個体の動きに基づく生物学的アルゴリズムである。バイナリーベクターである特徴は,選択されるか否かを決定するために用い,1は特徴が選択されるかどうかを示すと0は,そうでなければ。アルゴリズムは,個体群サイズ,次元,及びランの数の反復数の変化に関連した回数を評価した。二成分オキアミ群アルゴリズムは存在するが,他のまたはクラスに関して特徴の変化を考察した。これは高速アルゴリズムと比較して強く相関した特徴の同定を助ける。提案BKHアルゴリズムは,いくつかのデータセットを用いた高速アルゴリズムによるに対して比較した。データセット,UCI機械学習リポジトリから導出した。新しいアルゴリズムの検証のために,分類精度はいくつかの分類器,主にJ48,ナイーブBayes,決定木などに対して試験した。実験結果は,特徴選択のためのBKHアルゴリズムは,元の特徴の小さな部分だけを選択することにより次元のより大きな減少を達成し,より少ない時間でより正確な結果を生成することにより高速アルゴリズムより優れていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
