面向代价敏感的多标记不完备数据特征选择算法

摘要 代价敏感下的特征选择是机器学习和数据挖掘领域的重要研究内容，目前基于代价敏感的特征选择研究主要是面向单标记的数据，由于在许多应用领域数据往往是多标记连续型数据，且在数据获取过程中由于技术或成本限制导致数据呈现出不完备性.为解决上述问题，提出了一种基于测试代价的多标记不完备数据特征选择算法.首先，算法利用粗糙集模型计算多标记不完备数据下的邻域粒度，并用均匀分布和正态分布两种分布函数计算每个特征的特征代价；然后，提出了一种基于测试代价的特征重要性计算方法，并在核特征的基础上，设计了启发式的特征选择算法；最后，通过在Mulan数据集上的实验结果进一步验证了算法的有效性和可行性