1

我有一个包含 148 个输入特征的分类数据集（其中 20 个是二进制的，其余的在 [0,1] 范围内是连续的）。数据集有 66171 个负例，只有 71 个正例。

数据集（arff文本文件）可以从这个 dropbox 链接下载：https ://dl.dropboxusercontent.com/u/26064635/SDataset.arff 。

在 Weka 套件中，当我使用CfsSubsetEvaland GreedyStepwise（与setSearchBackwards()set to trueand Also false）时，所选功能集仅包含 2 个功能（即79and 140）！不用说，这两个特征的分类性能非常糟糕。

使用ConsistencySubsetEval（在 Weka 中也是如此）导致选择零特征！当使用特征排序方法并选择最好的（例如12个）特征时，可以获得更好的分类性能。

我有两个问题：

首先，导致选择这么几个特征的数据集是什么？是因为正例和反例的数量不平衡吗？

其次，更重要的是，是否有任何其他子集选择方法（在 Matlab 中或其他）我可以尝试并可能导致选择更多特征？

4

1 回答 1

0

显然，阶级不平衡并没有帮助。您可以尝试对数据集进行子样本以获得更好的诊断。SpreadSubsample 过滤器允许您这样做，说明允许的最大类别不平衡是多少，例如 10:1、3:1 或您认为合适的任何值。

对于选择方法，您可以首先在 WEKA 中尝试降维方法，例如 PCA。

但是，如果算法正在选择这些特征集，它们似乎对您的分类任务最有意义。

于 2015-09-15T12:24:06.087 回答