摘 要: 特征選擇是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的關(guān)鍵問題之一,而特征選擇的穩(wěn)定性也是目前的一個(gè)研究熱點(diǎn),。主要對特征選擇的穩(wěn)定性因素和穩(wěn)定性度量進(jìn)行分析,,并詳細(xì)介紹了目前比較經(jīng)典的兩種提高特征選擇穩(wěn)定性的方法,。
關(guān)鍵詞: 特征選擇;穩(wěn)定性,;集成,;樣本加權(quán)
隨著信息技術(shù)和生物技術(shù)的快速發(fā)展,在現(xiàn)實(shí)生活及科學(xué)研究中產(chǎn)生大量的高維海量數(shù)據(jù),。為了從大規(guī)模數(shù)據(jù)中挖掘出有用的知識,,特征選擇已成為高維數(shù)據(jù)分類或者回歸中的關(guān)鍵問題[1],目前已被廣泛應(yīng)用于文本分類,、圖像檢索,、基因分析和入侵檢測等。所謂特征選擇就是從一組特征中挑選出一些最有效的特征以達(dá)到降低特征空間維數(shù)或者發(fā)現(xiàn)自然模型真實(shí)變量的過程,,其通常包括兩個(gè)關(guān)鍵問題:搜索策略和評價(jià)準(zhǔn)則,。參考文獻(xiàn)[2-4]對已有特征選擇方法以及特征選擇統(tǒng)一框架進(jìn)行了全面的綜述。特征選擇算法根據(jù)訓(xùn)練的數(shù)據(jù)集中樣本有無標(biāo)記通常分為監(jiān)督,、非監(jiān)督和半監(jiān)督特征選擇算法,。在評價(jià)過程中,監(jiān)督的特征選擇方法通常通過評價(jià)特征與類別之間的關(guān)聯(lián)性或者特征的分類性能來獲取特征的相關(guān)性,。非監(jiān)督的特征選擇方法通常通過探究未標(biāo)記數(shù)據(jù)分布特性來獲取特征的相關(guān)性,。半監(jiān)督特征選擇方法則同時(shí)利用標(biāo)記的和未標(biāo)記的樣本。此外,,根據(jù)評價(jià)準(zhǔn)則,,特征選擇又可以分為過濾器、封裝器以及嵌入式三類基本模型[2],。過濾器模型是將特征選擇作為一個(gè)預(yù)處理過程,,利用數(shù)據(jù)的內(nèi)在特性對選取的特征子集進(jìn)行評價(jià),獨(dú)立于學(xué)習(xí)算法,。封裝器模型則將后續(xù)學(xué)習(xí)算法的結(jié)果作為特征子集評價(jià)準(zhǔn)則的一部分,。嵌入式模型則試圖利用前兩種模型的優(yōu)點(diǎn),在不同的搜索階段利用不同的評價(jià)準(zhǔn)則,。一般而言,過濾器的時(shí)間復(fù)雜度比封裝器低,,且結(jié)構(gòu)相對簡單,,因此廣泛用于對高維數(shù)據(jù)的處理。如果根據(jù)輸出結(jié)果來區(qū)分,,特征選擇又可以分為兩種[3]:一種是輸出所有特征權(quán)重,,并對其進(jìn)行排序,如Lmba[5],、SQP-FW[6]等,;另一種是輸出選擇的特征子集,,如SVM-RFE[7]等。
1 穩(wěn)定性分析
特征選擇的一個(gè)重要特性是發(fā)現(xiàn)自然模型的真實(shí)變量,,在很多應(yīng)用場景下,,特征選擇所選取的特征或者變量應(yīng)該是具有可解釋性的。如在文本分類中,,本研究利用一些先驗(yàn)知識很容易檢查所選擇的單詞對分類是否有意義,。此外在基因數(shù)據(jù)處理中,所選擇的基因也可以解釋,。但是,,如果當(dāng)收集的某種病例樣本發(fā)生變化時(shí),特征選擇算法獲取的基因子集或者排序結(jié)果差別較大,,那么專家就會對基因選擇結(jié)果產(chǎn)生疑慮,,而且也給結(jié)果的驗(yàn)證帶來不便,從而難以確切獲得解釋該疾病的相關(guān)基因組,。因此在某些領(lǐng)域,,特征選擇的穩(wěn)定性也是至關(guān)重要的。特征選擇的穩(wěn)定性是對所選擇的特征子集相似性度量,。它主要研究當(dāng)樣本或者算法自身的參數(shù)有變化時(shí),,特征選擇算法的魯棒性。也就是說,,對于高維數(shù)據(jù)的分類或者回歸,,其主要任務(wù)有兩個(gè):一個(gè)是設(shè)計(jì)盡可能好的算法,以獲取對未知樣本較高的預(yù)測能力,;另一個(gè)是除了進(jìn)一步提高算法的性能,,還要能深入理解特征與樣本輸出之間的關(guān)系[1]。對于這第二個(gè)任務(wù)來說,,除了要提高特征選擇的分類性能外,,還需要關(guān)注其穩(wěn)定性,否則第二個(gè)任務(wù)將難以完成,。不穩(wěn)定的特征選擇結(jié)果將帶來很多歧義,,難以獲取可以理解的真實(shí)特征(變量)。
1.1 穩(wěn)定性因素
產(chǎn)生不穩(wěn)定特征選擇結(jié)果的主要因素有:
(1)數(shù)據(jù)擾動(dòng),。數(shù)據(jù)擾動(dòng)包括兩個(gè)方面:①數(shù)據(jù)本身變化,,包括數(shù)量變化和訓(xùn)練樣本分布的不同;②添加噪聲特征,。
(2)算法本身沒有穩(wěn)定機(jī)制,。已有的算法在設(shè)計(jì)特征選擇評價(jià)準(zhǔn)則時(shí),只是考慮了分類性能或者聚類性能,而沒有關(guān)注算法的穩(wěn)定性,。
(3)當(dāng)特征集里含有大量的冗余特征時(shí),,由于冗余特征之間的關(guān)聯(lián)性較強(qiáng),具有相似的(分類)性能,,也會產(chǎn)生多個(gè)具有近似性能的特征子集,,從而影響算法的穩(wěn)定性。
(4)高維小樣本,。由于這類數(shù)據(jù)的訓(xùn)練樣本較少,,而特征維數(shù)非常高,如基因數(shù)據(jù)等,,雖然訓(xùn)練樣本只有細(xì)微的變化,,而特征選擇的結(jié)果將發(fā)生很大變化。
為了有效提高特征選擇算法的穩(wěn)定性,,目前主要有基于經(jīng)典特征選擇算法的集成特征選擇[8],、基于樣本加權(quán)的算法[9]和特征組群的方法[10]。
1.2 穩(wěn)定性度量
特征選擇的穩(wěn)定性是對所選擇的特征子集相似性度量,。它主要研究當(dāng)樣本或者算法自身的參數(shù)有變化時(shí),,特征選擇算法的魯棒性。所有特征選擇結(jié)果的相似性越大,,則認(rèn)為特征選擇的穩(wěn)定性越高,。而整體的穩(wěn)定性就是所有特征選擇結(jié)果的相似之和的平均值:
參考文獻(xiàn)
[1] FAN J Q, LV J C. A selective overview of variable selection in high dimensional feature space[J]. Statistical Sinica,, 2010(10):101-148.
[2] LIU H,, YU L. Toward integrating feature selection algorithms for classification and clustering[J]. IEEE Transaction on Knowledge and Data Engineering, 2005,, 17(3):1-12.
[3] ZHAO Z. Spectral feature selection for mining ultrahigh dimensional data[M]. Arizona State University PhD Dissertation,, 2010.
[4] GUYON I, ELISSEEFF A. An introduction to variable and feature selection[J]. Journal of Machine Learning Research,, 2003,,3(3):1157-1182.
[5] LI Y, LU B L. Feature selection based on loss margin of nearest neighbor classification[J]. Pattern Recognition,, 2009,,42:1914-1921.
[6] TAKEUCHI I, SUGIYAMA M. Target neighbor consistent feature weighting for nearest neighbor classification[C]. Conference on Advances in Neural Information Processing Systems(NIPS),, 2011:1-9.
[7] GUYON I,, WESTON J, BARNHILT S,, et al. Gene selection for cancer classification using support vector machines[J]. Machine Learning, 2002,,46:389-422.
[8] SAEYS Y,, ABEL T,, PEER Y V. Robust feature selection using ensemble feature selection techniques[C]. Proceeding of the European Conference. on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD), Lecture Notes on Artificial Intelligence,, 2008,,5212:313-325.
[9] YU L, HAN Y,, BERENS M E. Stable gene selection from microarray data via sample weighting[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics,, 2012,9(1):262-272.
[10] LOSCALZO S,, YU L,, DING C. Consensus group stable feature selection[C]. Proceeding ACM SIGKDD Conference. on Knowledge Discovery and Data Mining(KDD), Paris France,, June 28-July 1. 2009:567-575.