基于改进樽海鞘群算法的特征选择方法

申晋祥，鲍美英，张景安，周建慧

(1.山西大同大学 计算机与网络工程学院，山西 大同 037009；2.山西大同大学 网络信息中心，山西 大同 037009)

0 引 言

数据分类是许多应用中的热点问题，现在一般采用机器学习进行分类，但分类的性能会受到冗余特征和噪声的影响，特征选择在提高机器学习技术的准确性和响应时间方面起着重要作用。特征选择的目标是去除不相关、冗余和噪声的数据，从而降低特征维度，提高分类精度。

特征选择主要有两种方法，过滤式方法和包装式方法。传统的特征选择方法在处理高维数据时时间成本高且不一定能得到真正的最优解。目前，通过把启发式算法引入特征选择，提高特征选择的性能，用于特征选择的启发式算法有粒子群算法、遗传算法、鲸鱼优化算法[1]、正余弦算法[2]、樽海鞘群算法[3]、蝴蝶优化算法[4]、蚁狮优化算法[5]、头脑风暴优化算法[6]、布谷鸟优化算法[7]和果蝇优化算法[8]等。

樽海鞘群算法[3](salp swarm algorithm，SSA)是Mirjalili等受深海中樽海鞘觅食和运动的启发而开发的一种新的群智能算法，该算法参数少，易实现，在解决低维优化问题时表现出良好的性能，目前已经广泛应用到多个领域，如机械设计、频率调控、图像阈值分割和特征选择等。在特征选择领域的研究主要有：文献[9]采用基于主成分分析和快速独立成分分析的混合数据变换方法对原始数据进行变换，使用二进制SSA算法进行特征选择，算法去除了不相关特征，提高了分类精度。文献[10]混合SSA和PSO算法用于特征选择，混合算法进行特征选择时性能和精度都有所增强。……