机器学习中的特征选择方法研究及展望

崔鸿雁^1,2,3, 徐帅^1,2,3, 张利锋^1,2,3, Roy E. Welsch⁴, Berthold K. P. Horn⁵

1. 北京邮电大学 网络与交换技术国家重点实验室, 北京 100876;
2. 北京邮电大学 网络体系构建与融合北京市重点实验室, 北京 100876;
3. 先进信息网络北京实验室, 北京 100876;
4. Sloan School of Management, Massachusetts Institute of Technology, MA 02139, USA;
5. Csail Laboratory, Massachusetts Institute of Technology, MA 02139, USA

收稿日期:2017-07-20出版日期:2018-02-28发布日期:2018-01-04

作者简介:崔鸿雁(1977-),女,博士生导师,E-mail:cuihy@bupt.edu.cn.
基金资助:教育部-中国移动科研基金项目（MCM20170306）

The Key Techniques and Future Vision of Feature Selection in Machine Learning

CUI Hong-yan^1,2,3, XU Shuai^1,2,3, ZHANG Li-feng^1,2,3, Roy E. Welsch⁴, Berthold K. P. Horn⁵

1. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China;
2. Key Laboratory of Network System Architecture and Convergence, Beijing University of Posts and Telecommunications, Beijing 100876, China;
3. Beijing Laboratory of Advanced Information Networks, Beijing 100876, China;
4. Sloan School of Management, Massachusetts Institute of Technology, MA 02139, USA;
5. Csail Laboratory, Massachusetts Institute of Technology, MA 02139, USA

Received:2017-07-20Online:2018-02-28Published:2018-01-04

摘要/Abstract

摘要： 任何领域的大数据研究都离不开用机器学习方法提取特征.为了探求满足海量大数据分析需求的特征选择方法，笔者对利用机器学习进行特征选择的常用方法做了深入分析，归纳总结出特征选择的五大类方法：相关性度量方法、Lasso稀疏选择方法、集成方法、神经网络方法、主成分分析方法.通过对比不同特征选择方法的原理、实现过程以及应用场景，给出了不同算法下进行特征选择时的适用范围、优缺点和关键点，为研究者提供参考.
中图分类号:
TN929.53

引用本文

崔鸿雁, 徐帅, 张利锋, Roy E. Welsch, Berthold K. P. Horn. 机器学习中的特征选择方法研究及展望[J]. 北京邮电大学学报, 2018, 41(1): 1-12.
CUI Hong-yan, XU Shuai, ZHANG Li-feng, Roy E. Welsch, Berthold K. P. Horn. The Key Techniques and Future Vision of Feature Selection in Machine Learning[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2018, 41(1): 1-12.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3148