典型文献
基于分解策略的多标签在线特征选择算法
文献摘要：
在线学习方法是用于大规模数据集的、高效且可扩展的机器学习算法.然而,在对多标签数据集进行特征选择时,传统的在线多标签学习方法需要访问数据集的所有特征,当数据集具有较高维度时,这种在线学习方式并不能适用于实际情景.针对多标签数据集的特征选择,在现有研究的基础上,使用二类分解策略,提出基于分解策略的多标签在线特征选择算法.该算法利用稀疏正则化和截取方法进行在线特征选择,降低计算复杂度.实验表明,算法的特征选择性能优于其他多标签在线特征选择算法.
文献关键词：
特征选择;在线学习;多标签分类;二类分解策略
中图分类号：
作者姓名：
张永伟;朱祁;吴永城
作者机构：
南瑞集团(国网电力科学研究院)有限公司,江苏 南京 210003;南京南瑞智慧交通科技有限公司,江苏 南京 210032
文献出处：
引用格式：
[1]张永伟;朱祁;吴永城-.基于分解策略的多标签在线特征选择算法)[J].网络安全与数据治理,2022(10):65-71,77
A类：
二类分解策略
B类：
基于分解,签在,线特征,特征选择算法,在线学习,大规模数据集,可扩展,机器学习算法,标签数据集,择时,多标签学习,高维度,学习方式,法利,稀疏正则化,截取,低计算复杂度,多标签分类
AB值：
0.236141
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
