黄焕宇
- 作品数：7 被引量：106H指数：5
- 供职机构：中山大学信息科学与技术学院计算机科学系更多>>
- 发文基金：国家自然科学基金广东省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于边界点的可分离性度量及特征选择被引量：1
- 2007年
- 提出了一种新的面向高维数据的特征选择方法,在特征子集搜索上采用遗传算法进行随机搜索,在特征子集评价上采用基于边界点的可分性度量作为评价指标及适应度。实验结果表明,该算法可有效地找出具有较好的可分离性的特征子集,从而实现降维并提高分类精度。
- 任江涛孙婧昊黄焕宇印鉴
- 关键词：边界点可分离性遗传算法
- 基于相关性分析及遗传算法的高维数据特征选择被引量：26
- 2006年
- 特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象,特征选择一方面可以提高分类精度和效率,另一方面可以找出富含信息的特征子集。针对此问题,提出了一种综合了filter模型及wrapper模型的特征选择方法,首先基于特征与类别标签的相关性分析进行特征筛选,只保留与类别标签具有较强相关性的特征,然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索,并采用感知器模型的分类错误率作为评价指标。实验结果表明,该算法可有效地找出具有较好的线性可分离性的特征子集,从而实现降维并提高分类精度。
- 任江涛黄焕宇孙婧昊印鉴
- 关键词：遗传算法
- 基于遗传算法的高维数据特征选择和特征子集的组合分析
- 生物信息学、信息检索以及图像挖掘等大规模机器学习问题的不断涌现，对已有的特征选择算法和机器学习算法提出了严峻的挑战。人们迫切需要适应大规模数据集的特征选择算法和机器学习算法，并且对它们的准确性和运行效率等综合性能都有较高...
- 黄焕宇
- 关键词：数据挖掘遗传算法组合分类器
- 文献传递
- 基于遗传算法及聚类的基因表达数据特征选择被引量：10
- 2006年
- 特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象(如基因表达数据)的特征选择,一方面可以提高分类及聚类的精度和效率,另一方面可以找出富含信息的特征子集,如发现与疾病密切相关的重要基因。针对此问题,本文提出了一种新的面向基因表达数据的特征选择方法,在特征子集搜索上采用遗传算法进行随机搜索,在特征子集评价上采用聚类算法及聚类错误率作为学习算法及评价指标。实验结果表明,该算法可有效地找出具有较好可分离性的特征子集,从而实现降维并提高聚类及分类精度。
- 任江涛黄焕宇孙婧昊印鉴
- 关键词：遗传算法聚类基因表达数据
- 一种用于文本聚类的改进的K均值算法被引量：29
- 2006年
- K均值算法是聚类分析中使用最为广泛的算法之一。针对文本聚类所面临的维数灾难,稀疏向量以及标准K均值算法初始中心点选择的随机性等问题,提出了一种面向文本聚类的改进的K均值算法,通过运用特征选择及降维、稀疏向量筛除、基于密度及散布的初始中心点搜索等方法进行改进。实验结果表明,改进后的算法无论在聚类精度还是在稳定性等方面,都明显优于标准的K均值算法。
- 任江涛孙婧昊施潇潇黄焕宇印鉴
- 关键词：文本聚类初始化
- 一种基于信息增益及遗传算法的特征选择算法被引量：23
- 2006年
- 特征选择是模式识别及数据挖掘等领域的重要问题之一。针对高维数据对象,特征选择一方面可以提高分类精度和效率,另一方面可以找出富含信息的特征子集。针对此问题,本文提出一种综合了filter模型及wrapper模型的特征选择方法,首先基于特征之间的信息增益进行特征分组及筛选,然后针对经过筛选而精简的特征子集采用遗传算法进行随机搜索,并采用感知器模型的分类错误率作为评价指标。实验结果表明,该算法可有效地找出具有较好的线性可分离性的特征子集,从而实现降维并提高分类精度。
- 任江涛孙婧昊黄焕宇印鉴
- 关键词：信息增益遗传算法
- 一种改进的基于特征赋权的K均值聚类算法被引量：17
- 2006年
- 聚类分析是数据挖掘及机器学习领域内的重点问题之一。近年来，为了提高聚类质量，借鉴和引入了分类领域特征选择及特征赋权思想，提出了一些基于特征赋权的聚类算法。在这些研究基础上，本文提出了一种基于密度的初始中心点选择算法，并借鉴文[1]所提出的特征赋权方法，给出了一种改进的基于特征赋权的K均值算法。实验表明该算法能较为稳定地得到较高质量的聚类结果。
- 任江涛施潇潇孙婧昊黄焕宇印鉴
- 关键词：聚类初始化
