文献

J-GLOBAL ID：201702254127203617   整理番号：17A0329264

教師付きデータクラスタリングに基づく特徴選択フレームワーク【Powered by NICT】

A feature selection framework based on supervised data clustering

著者 (5件)： Liu Hongzhi (School of Software and Microelectronics, Peking University, Beijing, 102600, P. R. China) ,  Fu Bin (School of Software and Microelectronics, Peking University, Beijing, 102600, P. R. China) ,  Jiang Zhengshen (School of Software and Microelectronics, Peking University, Beijing, 102600, P. R. China) ,  Wu Zhonghai (School of Software and Microelectronics, Peking University, Beijing, 102600, P. R. China) ,  Hsu D. Frank (Department of Computer and Information Science, Fordham University, New York, NY, 10023, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ICCI*CC  ページ： 316-321  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 特徴選択は次元の呪いに対処するために,データマイニングと機械学習のための重要なステップである。本論文では,教師つきデータクラスタリングに基づく新しい特徴選択フレームワークを提案した。特徴とターゲット変数間の低次依存性が存在するのみを仮定の代わりに,提案した方法は,候補特徴部分集合と教師つきデータクラスタリングを介して標的変数の間の高次元相互情報量を直接推定する。添加では,自動的に前にそれを設定手動の代わりに選択される特徴の数を決定することができる。実験結果は,提案した方法が最新の特徴選択法と比較して同等または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】

シソーラス用語： 部分集合 ,  高次元 ,  データマイニング ,  相互情報量 ,  機械学習 ,  *特徴選択
準シソーラス用語： 次元の呪い ,  *データクラスタリング , 【Automatic Indexing@JST】

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 (4件)： 教師 ,  データクラスタリング ,  特徴選択 ,  フレームワーク