Feature selection in unsupervised learning via evolutionary search

Kim, YeongSeog; Street, W. Nick; Menczer, Filippo

doi:10.1145/347090.347169

Cited by 233 publications

(129 citation statements)

References 8 publications

Supporting

Mentioning

120

Contrasting

Unclassified

Order By: Relevance

“…(Aldenderfer and Blashfield 1984;Backer 1995;Tan et al 2006). A discussion of this topic in the context of EAs can be found in (Kim et al 2000;Handl & Knowles 2004;Korkmaz et al 2006;Krishma and Murty 1999;Hall et al 1999).…”

Section: Fitness Evaluation For Clusteringmentioning

confidence: 99%

“…The table refers to GAs that perform attribute selection for the classification task. GAs that perform attribute selection for the clustering task can be found, e.g., in (Kim et al 2000;Jourdan 2003). In addition, in general Table 1 refers to GAs whose individuals directly represent candidate attribute subsets, but GAs can be used for attribute selection in other ways.…”

Section: Genetic Algorithms For Attribute Selectionmentioning

confidence: 99%

“…Most systems included in Table 3 consider only two objectives. The exceptions are the works of (Kim et al 2000) and (Atkinson-Abutridy et al 2003), considering 4 and 8 objectives, respectively. Out of the EAs considering only two objectives, the most popular choice of objectives -particularly for EAs addressing the classification task -has been some measure of classification accuracy (or its dual, error) and a measure of the size of the classification model (number of leaf nodes in a decision tree or total number of rule conditionsattribute-value pairs -in all rules).…”

Section: Satisfying the Closure Propertymentioning

confidence: 99%

“…A further discussion of multi-objective optimization in the context of data mining in general (not focusing on EAs) is presented in (Freitas 2004;Jin 2006). (Kim et al 2000) attribute selection for clustering…”

Section: Satisfying the Closure Propertymentioning

confidence: 99%

See 3 more Smart Citations

A Review of evolutionary Algorithms for Data Mining

Freitas

2008

Soft Computing for Knowledge Discovery and Data Mining

View full text Add to dashboard Cite

Summary. Evolutionary Algorithms (EAs) are stochastic search algorithms inspired by the process of neo-Darwinian evolution. The motivation for applying EAs to data mining is that they are robust, adaptive search techniques that perform a global search in the solution space. This chapter first presents a brief overview of EAs, focusing mainly on two kinds of EAs, viz. Genetic Algorithms (GAs) and Genetic Programming (GP). Then the chapter reviews the main concepts and principles used by EAs designed for solving several data mining tasks, namely: discovery of classification rules, clustering, attribute selection and attribute construction. Finally, it discusses Multi-Objective EAs, based on the concept of Pareto dominance, and their use in several data mining tasks.

show abstract

Section: Fitness Evaluation For Clusteringmentioning

confidence: 99%

Section: Genetic Algorithms For Attribute Selectionmentioning

confidence: 99%

Section: Satisfying the Closure Propertymentioning

confidence: 99%

Section: Satisfying the Closure Propertymentioning

confidence: 99%

See 2 more Smart Citations

A Review of evolutionary Algorithms for Data Mining

Freitas

2008

Soft Computing for Knowledge Discovery and Data Mining

View full text Add to dashboard Cite

show abstract

“…Métodos meta-heurísticos tem sido frequentemente apresentados pela comunidade científica para solução de problemas de otimização combinatória, como é o caso da seleção de atributos em agrupamento de dados (KIM; STREET;MENCZER, 2000). Entre os méto-dos mais utilizados estão o algoritmo genético, busca tabu e recozimento simulado, em inglês, simulated annealing (FURTADO, 1998).…”

Section: Justificativaunclassified

Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos

Martarelli¹

View full text Add to dashboard Cite

AgradecimentosAgradeço primeiramente a Deus, pela presença constante, condução, oportunidades oferecidas a mim. Ao meu orientador, Professor Doutor Marcelo Seido Nagano, pela confiança, paciência e incentivo durante esta jornada. A minha família, meus pais, Andrea e Antônio e aos meus irmãos, Thais e Rafael, pelo apoio incondicional durante toda minha vida e por sempre se posicionarem de forma positiva e motivadora. Ao meu noivo, Thiago, pelo apoio, paciência e dedicação, não só nesta etapa, mas em todas as outras. Aos amigos do Laboratório de Pesquisa Operacional Aplicada (LAOR), Fernando Rossi, Hugo Miyata, Thiago Soares e João Vítor Robazzi pela companhia, companheirismo e pelas discussões que enriqueceram este trabalho e minha experiência de vida. Aos funcionários do departamento de Engenharia de Produção da Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo, pela competência, disposição e dedicação. E, ao CNPq, pelo apoio financeiro concedido, o que tornou possível o desenvolvimento deste trabalho."Those that know, do. Those that understand, teach" -Aristotle ResumoMartarelli, Nádia Junqueira Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos. 137 p. Dissertação de mestrado -Escola de Engenharia de São Carlos, Universidade de São Paulo, 2016.Com o surgimento da tecnologia da informação, o processo de análise e interpretação de dados deixou de ser executado exclusivamente por seres humanos, passando a contar com auxílio computacional para a descoberta de conhecimento em grandes bancos de dados. Este auxílio exige uma organização e ordenação das atividades, antes manualmente exercidas, em um processo composto de três grandes etapas. A primeira etapa deste processo conta com uma tarefa de redução da dimensionalidade, que tem como objetivo a eliminação de atributos que não contribuem para a análise dos dados, resultando portanto, na seleção de um subconjunto dos atributos originais. A seleção de um subconjunto de atributos pode ser encarada como um problema de busca, já que há inúmeras possibilidades de combinação dos atributos originais em subconjuntos. Dessa forma, uma das estratégias de busca que pode ser adotada consiste na busca randômica, executada por um algoritmo genético ou pelas suas variações. Este trabalho propõe a aplicação de duas variações do algoritmo genético, Algoritmo Genético Construtivo e Algoritmo Genético Enviesado com Chave Aleatória, no problema de seleção de atributos em agrupamento de dados, já que estas duas variações ainda não foram aplicadas em tal problema. A fim de verificar o desempenho destas duas variações, comparou-se ambas com a abordagem tradicional do algoritmo genético. Efetuou-se também a comparação entre as duas variações. Para isto, foi utilizada três bases de dados retiradas do repositório UCI 1 de aprendizado de máquinas. Os resultados obtidos mostraram que os desempenhos, em termos de qualidade da solução, dos algoritmos: genético construtivo e genético enviesado com chave aleatório foram melhores, de maneira geral, do ...

show abstract

Texture‐Based Riverine Feature Extraction and Flood Mapping Using Satellite Images

Kuldeep

Garg

2021

Advances in Remote Sensing for Natural Resource Monitoring

View full text Add to dashboard Cite

Feature selection in unsupervised learning via evolutionary search

Cited by 233 publications

References 8 publications

A Review of evolutionary Algorithms for Data Mining

A Review of evolutionary Algorithms for Data Mining

Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos

Texture‐Based Riverine Feature Extraction and Flood Mapping Using Satellite Images

Contact Info

Product

Resources

About