一种面向超高维数据的渐进空间约束特征选择方法技术

本发明专利技术公开了一种面向超高维数据的渐进空间约束特征选择方法，涉及特征选择领域，方法包括，初始化数据特征集，初始化种群和算法参数，并判断是否满足迭代条件，若满足，直接输出目标结果，若不满足则进入S3；建立空间约束框架，计算空间收敛因子和空间扩散因子；判断S3中的得到的空间收敛因子和空间扩散因子是否满足收敛条件并选择运算策略，根据运算策略运算生成目标特征空间方案；评价目标特征空间方案优劣，根据指标构建适应度函数并计算，对适应度函数由低到高进行排序，保留次序第一的目标特征空间方案及其适应度值作为个体目标方案，更新迭代条件，并迭代直至满足停止条件。本申请提到的选择方法可以实现更精准、高效的特征选择过程。

【技术实现步骤摘要】

本专利技术涉及特征选择领域，特别是一种面向超高维数据的渐进空间约束特征选择方法。

技术介绍

1、本方法的基础结构为一种启发式的封装式特征选择方法，此启发式类似于群体智能算法，面向于在医疗、金融等场景中广泛存在的高维及超高维数据。

2、主流基于群体智能/启发式的封装式特征选择方法：首先，通过某种启发式算法(如遗传算法、粒子群算法等)，生成一个初始的特征子集；接着，定义一个适应度函数，适应度函数通常与具体的建模任务相关，可以是分类准确率、回归误差等性能指标，用以评估这个特征子集的性能；随后，采用一些学习策略对特征进行选择或剔除，根据选择的特征子集及评估结果更新算法参数本专利技术旨在解决高维及超高维数据中存在的诸多挑战，其中包括“维度诅咒”现象以及特征选择过程中出现的“组合爆炸”问题。在医疗等领域，这些挑战尤为突出，因为随着数据维度的增加，模型搜索空间呈指数级增长，从而导致大量的计算资源和时间消耗。此外，现有技术在处理高维数据时往往难以有效评估降维需求与信息保留之间的关系，大部分方法过于计较单个特征的利益损失，导致过度保留数据信息从而大大增加运行时间本文档来自技高网...

【技术保护点】

1.一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，S2中初始化种群和算法参数的具体内容如下：

3.根据权利要求2所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，S3中空间约束函框架采取维度调节函数对维度空间的进行渐进约束，维度变换体现在空间收敛部分和空间扩散部分；

4.根据权利要求2所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，S3中空间约束函框架的表达式为：

5.根据权利要求3所述的一种面向超高维...

【技术特征摘要】

1.一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，s2中初始化种群和算法参数的具体内容如下：

3.根据权利要求2所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，s3中空间约束函框架采取维度调节函数对维度空间的进行渐进约束，维度变换体现在空间收敛部分和空间扩散部分；

4.根据权利要求2所述的一种面向超高维数据的渐进空间约束特征选择方法，其特征在于，s3中空间约...

【专利技术属性】
技术研发人员：王红，欧晓龙，牛奔，苏耀发，韦夏，
申请(专利权)人：深圳大学，
类型：发明
国别省市：