Resumen

La selección de características ha demostrado ser una herramienta beneficiosa en problemas de aprendizaje con las principales ventajas de interpretación y generalización. La mayoría de los métodos de selección de características existentes no logran un rendimiento óptimo en la clasificación, ya que ignoran las correlaciones entre características altamente correlacionadas que contribuyen todas a la clasificación. En este documento, se propone un novedoso algoritmo de selección de características semisupervisado basado en la máquina de vectores de soporte (SVM), denominado SENFS. Para resolver SENFS, se desarrolla un algoritmo eficiente basado en el método de multiplicadores de dirección alternativa. Una ventaja de SENFS es que fomenta la selección o eliminación conjunta de características altamente correlacionadas. Los resultados experimentales demuestran la efectividad de nuestro método de selección de características en datos de simulación y conjuntos de datos de referencia.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Selección de características; Rendimiento de clasificación; Correlaciones; Máquina de vectores de soporte; SENFS; Resultados experimentales
• Keywords:Feature selection; Classification performance; Correlations; Support vector machine; SENFS; Experimental results