La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

An Interpretable Feature Selection Based on Particle Swarm Optimization Une sélection de fonctionnalités interprétables basée sur l'optimisation des essaims de particules

Yi LIU, Wei QIN, Qibin ZHENG, Gensong LI, Mengmeng LI

  • Vues en texte intégral

    0

  • Citer

Résumé:

La sélection de fonctionnalités basée sur l’optimisation des essaims de particules est souvent utilisée pour améliorer les performances des algorithmes d’intelligence artificielle. Cependant, son interprétabilité manque de recherches concrètes. Améliorer la stabilité de la méthode de sélection des fonctionnalités est un moyen d’améliorer efficacement son interprétabilité. Une nouvelle approche de sélection de fonctionnalités appelée Interpretable Particle Swarm Optimization est développée dans cet article. Il utilise quatre méthodes de perturbation des données et trois méthodes de sélection de caractéristiques de filtrage pour obtenir des sous-ensembles de caractéristiques stables, et adopte la carte de Fuch pour les convertir en particules initiales. En outre, il utilise une stratégie de mutation par similarité, qui applique la distance de Tanimoto pour choisir le tiers des individus les plus proches des particules précédentes pour mettre en œuvre la mutation. Onze algorithmes représentatifs et quatre ensembles de données typiques sont utilisés pour effectuer une comparaison complète avec notre approche proposée. Les indicateurs d'exactitude, de F1, de précision et de taux de rappel sont utilisés comme mesures de classification, et l'extension de l'indicateur Kuncheva est utilisée comme mesure de stabilité. Les expériences montrent que notre méthode a une meilleure interprétabilité que les algorithmes évolutionnaires comparés. De plus, les résultats des mesures de classification démontrent que l'approche proposée présente d'excellentes performances de classification globale.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.8 pp.1495-1500
Date de publication
2022/08/01
Publicisé
2022/05/09
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDL8095
Type de manuscrit
LETTER
Catégories
Pattern Recognition

Auteurs

Yi LIU
  Defense Innovation Institute
Wei QIN
  Defense Innovation Institute
Qibin ZHENG
  Academy of Military Science
Gensong LI
  Defense Innovation Institute
Mengmeng LI
  Defense Innovation Institute

Mots-clés

Table des matières