基于森林優(yōu)化特征選擇算法的改進(jìn)研究

　　在分類中，特征選擇一直是一個(gè)重要而又困難的問題．最近研究表明森林優(yōu)化特征選擇算法（FSFOA）具有更好的分類性能及較好的維度縮減能力，然而，初始化階段的隨機(jī)性、更新機(jī)制上的局限性及局部播種階段新樹的劣質(zhì)性嚴(yán)重限制了該算法的分類性能和維度縮減能力．本文采用一種新的初始化策略和更新機(jī)制并在局部播種階段加入貪婪策略，形成一個(gè)新的特征選擇算法IFSFOA．在最大化分類性能的同時(shí)最小化特征個(gè)數(shù)．實(shí)驗(yàn)階段，IFSFOA使用SVM．J48和KNN分類器指導(dǎo)學(xué)習(xí)過程，通過機(jī)器學(xué)習(xí)數(shù)據(jù)庫UCI上的小維，中維，高維數(shù)據(jù)集進(jìn)行測試．實(shí)驗(yàn)結(jié)果表明，與FSFOA相比。IFSFOA在分類性能和維度縮減上均有明顯提高．將IFSFOA算法與近幾年提出的比較高效的特征選擇方法進(jìn)行對比。不論是在準(zhǔn)確率。還是在維度縮減上。IFSFOA仍具有很強(qiáng)的競爭力。