赵玮

(北京联合大学 应用科技学院, 北京 100101)

采用机器学习的聚类模型特征选择方法比较

赵玮

(北京联合大学 应用科技学院, 北京 100101)

针对机器学习聚类模型在特征选择时存在的问题，首先，对特征选择在聚类模型中的适用性进行分析并对其进行调整和改进.然后，基于R语言中的递归特征消除(RFE)特征选择方法和Boruta特征选择方法进行特征选择算法设计.最后，应用聚类内部有效性指标，对在线品牌忠诚度聚类模型优化结果进行分析，进而对特征选择方法进行比较研究.结果表明：Boruta特征选择方法更具优势. 关键词： 特征选择； 聚类模型； 机器学习; 递归特征消除算法； Boruta方法

特征选择对基于机器学习的模型构建和优化有着重要意义.优质特征的选择和构建可以选择有限合理的特征，剔除不相关的特征，让模型得到数据集中良好的结构，使模型运算速度更快，模型结果更易理解，模型更易维护.因此，使模型发挥优良效果，需要通过特征选择的方法对模型进行优化.然而，基于机器学习的聚类模型进行特征选择存在以下2个问题.1) 特征选择方法通常是针对机器学习中的监督学习模型，需要具备目标特征变量，而聚类模型属于无监督学习[1-2]，没有目标特征变量.2) R语言作为机器学习比较好的实践环境，提供了相应的特征选择包，但需要做比较分析.本文对特征选择在聚类模型中的适用性进行分析，应用R语言进行特征选择算法设计.

1 理论基础……

登录APP查看全文