AITOP

特征选择

共 3 条相关 AI 资讯
7月16日
09:52
09:52官方账号arXiv cs.AI@Daniel Grillmeyer, Marius Hadry, Michael Stenger, Vanessa Borst, Veronika Lesch, Samuel Kounev
本文通过两项结构化文献综述，分别梳理了风力涡轮机功率曲线建模和光伏发电预测中的特征选择现状，发现现有方法有限且缺乏系统性。作者提出了一种名为CSFS（基于聚类的顺序特征选择）的模型无关包装器方法，并提供开源实现。实证中，CSFS与SFS、过滤式方法及随机森林特征重要性对比，在保持相近预测性能的同时，平均降低21%的计算成本。
论文CSFS特征选择风电预测
推荐理由：这篇论文提出了CSFS方法，能在不牺牲预测精度的情况下减少21%的计算成本，适合做风电和太阳能预测的朋友参考。
原文
7月3日
09:01
09:01官方账号arXiv cs.LG@Debopriya Ghosh
本研究提出基于临床数据、神经心理学测试和神经影像指标的机器学习模型，用于检测阿尔茨海默病早期阶段。数据来自ADNI（Alzheimer's Disease Neuroimaging Initiative），使用迭代插补处理缺失值，Borderline SVM-SMOTE处理类别不平衡。特征选择后，基于Logistic Regression、Extra Trees、Bagging KNN和LightGBM构建堆叠集成模型，并单独训练人工神经网络。模型性能通过精确率、召回率、F1分数和AUC-ROC对比，旨在找出最佳分类器和关键生物标志物。
论文ADNI阿尔茨海默病机器学习
推荐理由：想用机器学习做早期疾病诊断？这篇论文用ADNI数据对比了集成模型和神经网络，还识别出了关键生物标志物，实操参考性强。
原文
5月26日
11:47
11:47官方账号arXiv cs.AI@Rustem Takhanov, Zhenisbek Assylbekov
精选
本文研究条件核岭回归（conditional KRR）的统计性质。该方法将经典线性回归（由函数类F指定特征）与标准KRR应用于残差部分相结合，可视为一种混合学习策略。理论结果表明，条件KRR可简化为使用残差核的标准KRR，代价是测试风险增加O(1/√N)项。当核K正定且F由前k个主特征函数或随机特征构成时，条件KRR优于标准KRR，尤其在回归函数的F分量比残差部分更显著时。实验验证了理论结论。
论文核方法条件KRR核岭回归
推荐理由：这篇论文为核方法注入可解释的线性特征提供了理论保障，做高维数据建模或核方法研究的团队值得关注，尤其适合处理特征显著但残差噪声小的场景。
原文