基于全局冗余最小的快速多标签特征选择方法

摘要

为解决多标签学习维度灾难及过滤式特征选择方法易陷入局部最优的问题，提出一种基于全局冗余最小(global redundancy minimization, GRM)的快速多标签特征选择方法。通过K-means聚类和互信息计算从原始标签空间和特征空间中筛选出候选标签与候选特征子集；通过全局冗余最小化解决局部最优问题，得到特征冗余最小特征权重，保证输出的特征子集为最佳特征子集；采用集成学习策略增强特征选择稳定性。在14个多标签数据集上的试验结果表明所提方法相较其他方法在各分类指标上均有较优表现。

关键词

多标签学习 / 特征选择 / 维度灾难 / 全局冗余最小