[发明专利]一种基于零阶优化的数据特征选择方法

权利要求书

1.一种基于零阶优化的数据特征选择方法，用于数据的预处理，数据特征选择完成的任务是对一个数据矩阵为n*m的数据集进行特征维度上的缩减，去除不相关的特征，数据特征选择的最终所得的结果为n*k的经过特征选择的数据矩阵，k＜m，k经过特征选择后的特征数；其特征在于，包括：数据采样，得到采样值；基于采样值进行训练，来得到采样值的评价，最后基于评价与采样值来更新优化算法采样空间；

将数据特征选择作为一个采样空间的取值，训练出对应的模型性能指标作为评价来优化采样空间；采样空间是一个向量，以数据的特征数作为采样空间的维度，对采样空间的每维进行二值离散化，以此作为优化算法的配置；之后，进行预设轮次的循环。

2.根据权利要求1所述的基于零阶优化的数据特征选择方法，其特征在于，一轮采样训练优化的循环过程为：首先，基于配置好的优化算法进行数据采样，得到采样值；之后，基于采样值还原数据进行训练；最后，基于训练所得评价与采样值对优化算法进行采样空间的优化；循环结束后，就得到了过程中表现最优的数据特征选择方案。

3.根据权利要求1所述的基于零阶优化的数据特征选择方法，其特征在于，在数据分类任务中，对数据进行特征选择，以实现数据分类任务，包括以下流程：

步骤1，首先进行采样空间的构建，基于给定的训练数据来生成对应特征数维度的采样空间；若训练数据特征为：

x₁＝{x₁₁，x₁₂，…，x_1m，label₁}

x₂＝{x₂₁，x₂₂，...，x_2m，label₂}

…

x_n＝{x_n1，x_n2，…，x_nm，label_n}

则生成的对应采样空间的向量形式如：

s＝{s₁，s₂，…，s_m}

其中，每一个元素代表特征对应维度位置的采样值；

步骤2，对训练数据进行划分训练集与验证集，训练数据取前a％作为训练集，后b％作为验证集；

步骤3，基于优化算法进行采样空间的采样得到的取值，并基于取值s得到特征选择后的数据集，基于步骤2划分后，使用训练集对分类模型进行训练，之后用验证集进行验证得到一个分类准确率；

步骤4，基于所述采样值和准确率进行一轮优化算法的优化；

步骤5，重复步骤2-4到达到预设重复轮数，最终得到一组性能表现良好的经过特征选择的数据集，并以此作为最终的分类模型的数据集。

4.根据权利要求1所述的基于零阶优化的数据特征选择方法，其特征在于，所述a+b＜1。

5.根据权利要求1所述的基于零阶优化的数据特征选择方法，其特征在于，所述优化算法为Racos优化算法。