文献

J-GLOBAL ID：201802269155275793   整理番号：18A0354580

特徴クラスタ分類に基づく特徴選択法【Powered by NICT】

A feature cluster taxonomy based feature selection technique

著者 (4件)： Goswami Saptarsi (Institute of Engineering and Management, Kolkata, India) ,  Das Amit Kumar (University of Calcutta, Kolkata, India) ,  Chakrabarti Amlan (University of Calcutta, Kolkata, India) ,  Chakraborty Basabi (Iwate Prefectural University, Japan)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 79  ページ： 76-89  発行年： 2017年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 特徴部分集合の選択は基本的には分類またはマイニング問題を容易にするために種々の代替案からの最も重要な特徴を選択するための最適化問題。ロットのアルゴリズムは,これまで開発されてきたが,どれもすべての状況に最適であることとは考えられず,研究者はまだ良好な解を提案するために試みている。本研究では,柔軟でユーザガイド特徴部分集合選択アルゴリズム,FCTFS(特徴クラスタ分類に基づく特徴選択)と命名したが,大きな特徴集合から適切な特徴部分集合を選択するために提案されている。提案したアルゴリズムは,特徴は当初フィルタアプローチ後のそれらの固有の特性に応じてクラスター化しているクラスタリングに基づく特徴選択技術のジャンルであった。第二段階では,最も適した特徴は,各クラスタから選択したラッパアプローチ後の最終的なサブセットを形成した。二段階ハイブリッドプロセスは,部分集合選択の計算コスト,特に大きな特徴データセットを低下させた。提案されたアプローチの主要な新規性の一つは,特徴クラスタの最適数を決定するプロセスである。現在利用できる方法,ほとんど試行錯誤手法を用いるとは異なり,提案した方法は,クラスタ内の特徴の品質に応じて特徴クラスタを特性化し,定量化し,特徴クラスタの分類を定義した。特徴クラスターから個々の特徴の選択は,ユーザの意図と要求に従って関連性と冗長性の両方を考慮して慎重に行うことができる。アルゴリズムは10 800以上の範囲の特徴を含む種々のベンチマークデータセットを用いたシミュレーション実験によって検証し,他の現在使用されている特徴選択アルゴリズムと比較した。シミュレーション結果は,モデル性能の観点から提案,実用的問題における利用の柔軟性と拡張性大きな特徴集合への優位性を証明した。電流の提案は,教師なし分類の領域で検証したが,教師つき分類の場合に容易に使用できる。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 柔軟性 ,  品質 ,  シミュレーション ,  最適化問題 ,  クラスタ化 ,  アルゴリズム ,  冗長性 ,  部分集合 ,  *特徴選択 ,  キャラクタリゼーション ,  モデル ,  *クラスタ
準シソーラス用語： 計算コスト ,  部分集合選択 , 【Automatic Indexing@JST】

著者キーワード (5件)： 特徴選択 ,  特徴クラスター ,  冗長性 ,  エントロピー ,  変動係数

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： クラスタ ,  分類 ,  特徴選択