文献

J-GLOBAL ID：202102286747989653   整理番号：21A0615586

効率的な特徴選択のためのハイブリッド再帰特徴除去【JST・京大機械翻訳】

Hybrid-Recursive Feature Elimination for Efficient Feature Selection

著者 (2件)： Jeon Hyelynn (Department of Data Science, Dankook University, Yongin 16890, Korea) ,  Oh Sejong (Department of Software Science, Dankook University, Yongin 16890, Korea)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 9  ページ： 3211  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： データセットはサイズの増加を続けるので,機械学習タスクにおいて最良の性能を得るために,元のデータセットから最適な特徴部分集合を選択することが重要である。過剰な特徴を持つ高次元データセットは,そのようなタスクにおいて低い性能を引き起こすことができる。過剰適合は典型的な問題である。さらに,高次元のデータセットは空間に不足を創り,高い計算力を必要とし,そのようなデータセットに適合するモデルは低い分類精度を生成する。したがって,効率的選択方法を利用することによって,特徴の代表的部分集合を選択する必要がある。再帰的特徴除去を含む,多くの特徴選択法を提案した。本論文では,サポートベクトルマシン,ランダムフォレスト,および一般化ブースト回帰アルゴリズムの特徴-重要性ベースの再帰的特徴除去法を組み合わせるハイブリッド再帰特徴除去法を提示した。実験から,提案した方法の性能は3つの単一再帰的特徴除去法よりも優れていることを確認した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  特徴抽出 ,  *特徴選択 ,  高次元 ,  機械学習 ,  サポートベクトルマシン
準シソーラス用語： 選択法 ,  分類精度 ,  ランダムフォレスト ,  高次元データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 分類 ,  特徴選択 ,  機械学習 ,  再帰的特徴抽出

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

引用文献 (16件)：

• Tang, J.; Alelyani, S.; Liu, H. Feature Selection for Classification: A Review; Chapman and Hall/CRC: New York, NY, USA, 2014; pp. 37-64.
• Bellman, R. Dynamic Programming, 6th ed.; Princeton Univ. Press: Prinston, NJ, USA, 1957; p. 4.
• Kumar, V.; Minz, S. Feature selection: A literature review. SmartCR 2014, 4, 211-229.
• Tang, J.; Alelyani, S.; Liu, H. Feature selection for classification: A review. Data Class Algor. Appl. 2014, 37, 1-29.
• Bolón-Canedo, V.; Sánchez-Marono, N.; Alonso-Betanzos, A.; Benítez, J.M.; Herrera, F. A review of microarray datasets and applied feature selection methods. Inform. Sci. 2014, 282, 111-135.

タイトルに関連する用語 (1件)： 特徴選択