論文の概要: RFCBF: enhance the performance and stability of Fast Correlation-Based Filter

• arxiv url: http://arxiv.org/abs/2105.14519v1
• Date: Sun, 30 May 2021 12:36:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:04:38.034288
• Title: RFCBF: enhance the performance and stability of Fast Correlation-Based Filter
• Title（参考訳）: RFCBF:高速相関フィルタの性能と安定性の向上
• Authors: Xiongshi Deng, Min Li, Lei Wang, Qikang Wan
• Abstract要約: 分類精度を向上させるために再サンプリング技術を組み合わせた新しいFCBF拡張RFCBFを提案する。 実験結果から,RFCBFアルゴリズムは従来の最先端手法よりも,分類精度と実行時間で有意に優れた結果が得られることがわかった。
• 参考スコア（独自算出の注目度）: 6.781877756322586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature selection is a preprocessing step which plays a crucial role in the domain of machine learning and data mining. Feature selection methods have been shown to be effctive in removing redundant and irrelevant features, improving the learning algorithm's prediction performance. Among the various methods of feature selection based on redundancy, the fast correlation-based filter (FCBF) is one of the most effective. In this paper, we proposed a novel extension of FCBF, called RFCBF, which combines resampling technique to improve classification accuracy. We performed comprehensive experiments to compare the RFCBF with other state-of-the-art feature selection methods using the KNN classifier on 12 publicly available data sets. The experimental results show that the RFCBF algorithm yields significantly better results than previous state-of-the-art methods in terms of classification accuracy and runtime.
• Abstract（参考訳）: 機能選択は、機械学習とデータマイニングの領域において重要な役割を果たす前処理ステップである。 特徴選択手法は冗長かつ無関係な特徴の除去と学習アルゴリズムの予測性能の向上に寄与することが示されている。 冗長性に基づく様々な特徴選択法のうち、高速相関フィルタ(FCBF)が最も効果的である。 本稿では,分類精度を向上させるために再サンプリング技術を組み合わせたFCBFの新たな拡張であるRFCBFを提案する。 12個の公開データセット上のKNN分類器を用いてRFCBFと他の最先端機能選択手法との比較実験を行った。 実験結果から,RFCBFアルゴリズムは従来の最先端手法よりも,分類精度と実行時間で有意に優れた結果が得られることがわかった。

関連論文リスト

• A new computationally efficient algorithm to solve Feature Selection for Functional Data Classification in high-dimensional spaces [41.79972837288401]
  本稿では,機能的分類のための特徴選択手法FSFCを紹介し,特徴選択と機能的データの分類を共同で行うという課題に対処する。 我々は機能的主成分を採用し、Dual Augmented Lagrangianアルゴリズムの新しい適応バージョンを開発した。 FSFCの計算効率は、特徴数が統計単位数よりかなり多いような高次元シナリオを処理できる。
  論文  参考訳（メタデータ） (2024-01-11T09:17:25Z)
• Fast Classification with Sequential Feature Selection in Test Phase [1.1470070927586016]
  本稿では,分類のための能動的特徴獲得のための新しいアプローチを提案する。 最適な予測性能を達成するために、最も情報性の高い機能のサブセットを順次選択する作業である。 提案手法では,既存の手法に比べてはるかに高速で効率の良い新しい遅延モデルが提案されている。
  論文  参考訳（メタデータ） (2023-06-25T21:31:46Z)
• Large-scale Optimization of Partial AUC in a Range of False Positive Rates [51.12047280149546]
  ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。 近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。 提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
  論文  参考訳（メタデータ） (2022-03-03T03:46:18Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• A Supervised Feature Selection Method For Mixed-Type Data using Density-based Feature Clustering [1.3048920509133808]
  本稿では、密度ベース特徴クラスタリング(SFSDFC)を用いた教師付き特徴選択法を提案する。 SFSDFCは、新しい密度に基づくクラスタリング法を用いて、特徴空間を不連続な特徴クラスタの集合に分解する。 そして、これらの特徴クラスタから最小限の冗長性を持つ重要な特徴のサブセットを得るために、効果的な特徴選択戦略を採用する。
  論文  参考訳（メタデータ） (2021-11-10T15:05:15Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)
• A concise method for feature selection via normalized frequencies [0.0]
  本稿では,普遍的特徴選択のための簡潔な手法を提案する。 提案手法は, フィルタ法とラッパー法を融合して行う。 評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-06-10T15:29:54Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。