دوره 17، شماره 4 - ( 12-1399 )                   جلد 17 شماره 4 صفحات 3-14 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Eskandari S. Online Streaming Feature Selection Using Geometric Series of the Adjacency Matrix of Features. JSDP. 2021; 17 (4) :3-14
URL: http://jsdp.rcisp.ac.ir/article-1-942-fa.html
اسکندری صادق. انتخاب برخط ویژگی‌های جریانی با استفاده از سری هندسی ماتریس مجاورت ویژگی‌ها. پردازش علائم و داده‌ها. 1399; 17 (4) :3-14

URL: http://jsdp.rcisp.ac.ir/article-1-942-fa.html


دانشگاه گیلان
چکیده:   (339 مشاهده)
انتخاب، ویژگی یکی از گام‌های پیش‌پردازش مهم در یادگیری ماشینی و داده‌کاوی است. تمامی الگوریتم‌های انتخاب ویژگی سنتی فرض می‌کنند که کل فضای ویژگی از ابتدای چرخه انتخاب در دسترس است؛ با این وجود در بسیاری از کاربردهای دنیای واقعی با سناریوی ویژگی‌های جریانی مواجه هستیم. در این سناریو، تعداد ویژگی‌ها به‌مرور زمان افزایش می‌یابد. در این مقاله، مسأله انتخاب برخط ویژگی‌های جریانی از منظر سری‌های هندسی گراف ارتباط ویژگی‌ها مورد بررسی قرار گرفته و یک الگوریتم جدید به نام OSFS-GS پیشنهاد شده است. این الگوریتم با استفاده از مفهوم سری هندسی گراف مجاورت، ویژگی‌های افزونه را به شکل برخط حذف می‌کند؛ علاوه‌براین، الگوریتم پیشنهادی از یک سازوکار نگهداری ویژگی‌های افزونه بهره می‌بَرَد که امکان بررسی مجدد ویژگی‌های بسیار خوبی را که درقبل حذف شده‌اند، فراهم می‌آورد. الگوریتم پیشنهادی بر روی هشت مجموعه‌داده با ابعاد بزرگ اعمال شده و نتایج نشان‌دهنده دقت بالای این الگوریتم در نمونه‌های زمانی مختلف است.  
متن کامل [PDF 3320 kb]   (105 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1397/10/9 | پذیرش: 1398/6/11 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4

فهرست منابع
1. [1] S. Eskandari and M. Javidi, "Online streaming feature selection using rough sets," International Journal of Approximate Reasoning, vol. 69, pp. 35-57, 2016. [DOI:10.1016/j.ijar.2015.11.006]
2. [2] I. Guyon and A. Elisseeff, "An introduction to variable and feature selection," Journal of machine learning research, vol. 3, pp. 1157-1182, 2003.
3. [3] S. Eskandari and M. Javidi, "Streamwise feature selection: a rough set method," International Journal of Machine Learning and Cybernetics, vol. 9, no. 4, pp. 667-676, 2016. [DOI:10.1007/s13042-016-0595-y]
4. [4] R. Kohavi and G. H. John, "Wrappers for feature subset selection," Artificial intelligence, vol. 97, no. 1-2, pp. 273-324, 1997. [DOI:10.1016/S0004-3702(97)00043-X]
5. [5] Y. Saeys, I. Iñaki , and P. Larrañaga, "A review of feature selection techniques in bioinformatics," bioinformatics, vol. 23, no. 19, pp. 2507-2517, 2007. [DOI:10.1093/bioinformatics/btm344] [PMID]
6. [6] V. Bolón-Canedo, S. Noelia , and A. Amparo, "A review of feature selection methods on synthetic data," Knowledge and information systems, vol. 34, no. 3, pp. 483-519, 2013. [DOI:10.1007/s10115-012-0487-8]
7. [7] J.Wang, Zh. Peilin , H. CH Steven , and J. Rong , "Online feature selection and its applications," IEEE Transactions on Knowledge and Data Engineering , vol. 29, no. 3, pp. 698-710, 2014. [DOI:10.1109/TKDE.2013.32]
8. [8] X. Wu, K. Yu, W. Ding, H. Wang, and X. Zhu, "Online feature selection with streaming features," IEEE transactions on pattern analysis and machine intelligence, vol. 35, no. 3, pp. 1178-1192, 2013. [DOI:10.1109/TPAMI.2012.197] [PMID]
9. [9] S. Perkins and J. Theiler, "Online feature selection using grafting," in Proceedings of the 20th International Conference on Machine Learning, 2003, pp. 592-599.
10. [10] K. Glocer, D. Eads, and J. Theiler, "Online feature selection for pixel classification," in Proceedings of the 22nd international conference on Machine learning, pp. 249-256.
11. [11] J. Zhou, D. P. Foster, R. A Stine, and L. H Ungar, "Streamwise feature selection," Journal of Machine Learning Research, vol. 7, pp. 1861-1885, 2006.
12. [12] M. Javidi and S. Eskandari, "Online streaming feature selection: a minimum redundancy, maximum significance approach," Pattern Analysis and Applications, pp. 1-15, 2018. [DOI:10.1007/s10044-018-0690-7]
13. [13] M. Rahmaninia and P. Moradi, "OSFSMI: Online stream feature selection method based on mutual information," Applied Soft Computing, vol. 68, pp. 733-746, 2018. [DOI:10.1016/j.asoc.2017.08.034]
14. [14] S. Eskandari and E. Akbas, "Supervised Infinite Feature Selection," CoRR arXiv, 2017.
15. [15] S. Perkins, K. Lacker, and J. Theiler, "Grafting: Fast, incremental feature selection by gradient descent in function space," Journal of machine learning research, vol. 3, pp. 1333-1356, 2003.
16. [16] P. Pudil, J. Novovičová, and J. Kittler, "Floating search methods in feature selection," Pattern recognition letters, vol. 15, no. 11, pp. 1119-1125, 1994. [DOI:10.1016/0167-8655(94)90127-9]
17. [17] L. H Ungar, J. Zhou, D. P Foster, and B. A Stine, "Streaming Feature Selection using IIC," in Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics, 2005.
18. [18] J. Zhou, D. Foster, R. Stine, and L. Ungar, "Streaming feature selection using alpha-investing," in Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining, 2005, pp. 384-393. [DOI:10.1145/1081870.1081914] [PMID]
19. [19] P. S Dhillon, D. Foster, and L. Ungar, "Feature selection using multiple streams," in Proceedings of International Workshop on Artificial Intelligence and Statistics, 2010.
20. [20] G. Roffo, S. Melzi, and M. Cristani, "Infinite feature selection," in Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 4202-4210. [DOI:10.1109/ICCV.2015.478]
21. [21] Isabelle Guyon. (2003) http://clopinet.com/isabelle/Projects/NIPS2003/.
22. [22] M. Everingham, L. Van Gool, Ch. Williams, J. Winn, and A. Zisserman, The pascal visual object classes (voc) challenge, 2007.
23. [23] M. Everingham, L. Van Gool, Ch. K. Williams, J. Winn, and A. Zisserman, The pascal visual object classes (voc) challenge, 2012.
24. [24] S. Maldonado and R. Weber, "A wrapper method for feature selection using support vector machines," Information Sciences, vol. 179, no. 13, pp. 2208-2217, 2009. [DOI:10.1016/j.ins.2009.02.014]
25. [25] R. Battiti, "Using mutual information for selecting features in supervised neural net learning," IEEE Transactions on neural networks, vol. 5, no. 4, pp. 537-550, 1994. [DOI:10.1109/72.298224] [PMID]
26. [26] G. Brown, A. Pocock, M. Zhao, and M. Luján, "Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selection," The Journal of Machine Learning Research, vol. 13, pp. 27-66, 2012.
27. [27] M. Dash and H. Liu, "Consistency-based search in feature selection," Artificial intelligence, vol. 151, no. 1-2, pp. 155-176, 2003. [DOI:10.1016/S0004-3702(03)00079-1]
28. [28] P. Zhao and B. Yu, "On model selection consistency of Lasso," Journal of Machine learning research, no. 7, pp. 2541-2563, 2006.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.