探讨如何完善混合蒙特卡罗搜索的特征选择算法

探讨如何完善混合蒙特卡罗搜索的特征选择算法高维数据;特征选择;相关特征;蒙特卡罗树搜索;可扩展性;随着多媒体技术和计算机技术的高速发展,数据维度急剧增长[1,2]。特征选择是对高维数据进行降维的有效方

探讨如何完善混合蒙特卡罗搜索的特征选择算法 ;;;;; 高维数据特征选择相关特征蒙特卡罗树搜索可扩展性 ,[1,2] 随着多媒体技术和计算机技术的高速发展数据维度急剧增长。特征选择是对高维数据 ,, 进行降维的有效方法目标是在保持数据底层结构的同时找到最重要的特征实现高分类精 [3,4] 度和降低计算复杂度。 [5], 文献中提出粒子群优化的混合特征选择算法在粒子群优化中使用局部搜索策略考虑相 [6] 关信息来选择不相关和重要特征子集。文献中提出封装式蒙特卡罗树搜索的特征选择算 ,, 法结合树搜索与随机采样获得最佳特征子集由于随机性而选择一些噪声特征在允许的模 , 拟次数内处理高维数据时分类精度降低。 ,ReliefFk 本文提出混合蒙特卡罗树搜索的特征选择算法始特征子集用算法过滤选择前个 ;KNN, 特征形成候选特征子集再应用分类器的分类精度评估候选特征通过反向传播将模拟 ; 结果更新到迭代路径上所有选择的节点最后选择高精度的候选特征作为最佳特征子集。仿 ,HPSO-LSMOTiFS,HMCTS, 真结果表明对比和算法算法具有良好的可扩展性且分类精度 高。 1 、模型建立 [7]4:,,, 蒙特卡罗搜索有个步骤即选择扩展模拟和反向传播。在选择期间搜索树从根节点遍 ,UCT; 历到非终端具有未扩展子节点的节点基于算法选择具有最高近似的节点然后在扩展 ;,,, 期间添加新子节点来扩展树在模拟期间从新的子节点进行随机模拟直到到达终止节点模 ;, 拟奖励也在此阶段近似最后通过所选节点反向传播模拟奖励以更新树。树策略负责节点 ,UCT[8](1), 选择和扩展步骤采用算法在各级节点上使用式近似每个节点的重要性并排序 从而选择在每级选择具有最高近似值的节点。而默认策略负责模拟步骤。 UTCv=WvNv+C×2×ln(Np)Nv (1) ,NvNpvp;C 式中和分别表示节点和父节点已被访问次数是平衡探索需求和利用需求的 ;WvvHMCTS1 一个常数是节点上获胜模拟的计数。所提出的特征选择算法模型如图所 示。 2HMCTS 、算法