Resumen

La selección de características es el paso clave en el análisis de datos de muestras pequeñas de alta dimensión. El núcleo de la selección de características consiste en analizar y cuantificar la correlación entre las características y las etiquetas de clase y la redundancia entre las características. Sin embargo, la mayoría de los algoritmos de selección de características existentes sólo tienen en cuenta la contribución a la clasificación de las características individuales e ignoran la influencia de la redundancia y la correlación entre ellas. Por lo tanto, este artículo propone un algoritmo de selección de características para la relevancia condicional dinámica no lineal (NDCRFS) a través del estudio y el análisis de las ideas y el método del algoritmo de selección de características existente. En primer lugar, la redundancia y la relevancia entre las características y entre las características y las etiquetas de clase se discriminan mediante la información mutua, la información mutua condicional y la información mutua interactiva. En segundo lugar, las características seleccionadas y las candidatas se ponderan dinámicamente utilizando factores de ganancia de información. Por último, para evaluar el rendimiento de este algoritmo de selección de características, NDCRFS fue validado frente a otros 6 algoritmos de selección de características en tres clasificadores, utilizando 12 conjuntos de datos diferentes, para la variabilidad y las métricas de clasificación entre los diferentes algoritmos. Los resultados experimentales muestran que el método NDCRFS puede mejorar la calidad de los subconjuntos de características y obtener mejores resultados de clasificación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo de selección de características, etiqueta de clase, selección de características, información mutua condicional, mejores resultados de clasificación, relevancia condicional dinámica, información mutua interactiva, núcleo de características, datos de muestras pequeñas, conjunto de datos diferentes
• Keywords:features selection algorithm, class label, features selection, conditional mutual information, better classification results, dynamic conditional relevance, interactive mutual information, core of features, small sample data, different data set