专利交易市场

本发明提供一种基于mRMR‑IAGA的混合式特征选择方法，其包括：S1、建立数据集并对数据进行预处理；S2、使用最大相关最小冗余算法(Max‑Relevance and Min‑Redundancy，mRMR)对数据进行过滤式特征选择，形成特征子集Ω；S3、对特征子集Ω中的特征进行二进制编码，完成种群初始化；S4、为提升自适应遗传算法(Adaptive Genetic Algorithm，AGA)的收敛速度和收敛精度、简化特征子集，在交叉算子与变异算子中加入约束项，在适应度函数中加入特征缩减因子，形成改进的自适应遗传算法(Improved Adaptive Genetic Algorithm，IAGA)，适应度函数中的预测模型选用XGBoost﹔在特征子集Ω的基础上，使用基于IAGA的封装式特征选择算法进行特征选择；S5、输出最优特征子集Ω’。本发明以最优特征子集Ω’中的特征作为输入所构建的预测模型，有很好的预测准确率。

本发明涉及一种基于邻域粗糙集的半监督多标签在线流特征选择算法，包括以下步骤：任意新特征以流的形式一个接一个流入模型；通过定义的邻域关系获得缺失标签实例的邻居，并对缺失标签进行预测；求得新特征的依赖度；对新特征进行在线特征重要性评估；对候选集进行在线冗余更新；重复上述步骤，直至没有未处理的特征，最终，可以获得一个最优特征子集。本发明不需要了解任何领域知识，可以在不设置任何参数的情况下适应各种形式的数据集，有较强的泛化能力。本发明可以处理缺少标签的数据集，并且能够选择出高效率的特征。本发明最大化了候选特征集在标签上的依赖性，并选择具有高相关性和低冗余的特征。

本发明公开了基于自适应流形和互信息的偏多标记特征选择方法及装置，涉及数据挖掘领域，方法包括：S1，利用数据集构建特征矩阵和逻辑标记矩阵；S2，特征选择模型构建步骤；S3，利用基于特征矩阵和逻辑标记矩阵构建目标函数的流形正则项和标记相似图学习项；S4利用目标函数对特征选择模型进行训练；S5，将偏多标记数据集输入训练好的特征选择模型，得到标记置信度矩阵和特征选择模型的权重矩阵，计算特征矩阵和标记置信度矩阵的互信息，根据互信息计算特征重要度矩阵，根据重要性排序筛选出最终的特征选择结果。本发明通过动态学习标记相似图权重矩阵消除噪声标记对标记相关性的影响，并结合权重矩阵与标记置信度的互信息实现特征选择。