考虑特征间相互作用的多目标特征选择方法

摘要 特征选择（FS）是机器学习中数据清理步骤的主要任务之一。然而，多目标特征选择更具挑战性，因为它试图优化两个相互冲突的目标，即最小化特征集和最小化分类误差。因此，进化算法是一种很有前途的解决方案，旨在获得更可靠的帕累托前沿。但遗憾的是，由于要在庞大的搜索空间中探索，进化算法耗费了大量时间。多目标 FS 方法中遇到的另一个问题与特征之间的相关性有关。这一挑战的出现是因为选择此类特征会降低分类的性能。为了应对这些挑战，我们引入了一种多目标 FS 方法，该方法有几个重大贡献。首先，我们提出的方法通过一种新颖的概率结构来处理特征之间的相关性。其次，它依赖于帕累托存档演化策略（PAES）方法，该方法具有许多优势，包括简单性和以可接受的速度探索解空间的能力。我们增强了帕累托归档进化策略的结构，以促进子代的智能生成。因此，我们提出的方法可从引入的概率结构中获益，生成更多有前途的子代。最后，它采用了一种新颖的策略，引导算法在整个进化过程中找到最优子集。在实际数据集上获得的结果表明，最终解决方案的质量得到了大幅提升。