特征选择是数据处理和机器学习中一个重要的过程，提高分类性能和减少特征数目是特征选择的两个主要目的，因此特征选择可以被定义为一个多目标优化问题。为了进一步在提高特征选择分类性能的同时降低特征数目，本文在MOEA/D的框架下，提出了一种基于自适应邻域替换策略(AR)的特征选择算法，能有效避免使用固定规模的邻域而造成种群进化缓慢从而影响分类性能的问题。将所提出的算法与其他算法在UCI中的5个不同分类数据集上相比，结果表明，本文算法得到比其他方法更优的结果。
科研之友
微信
新浪微博
Facebook
分享链接
