机构名称：
¥ 1.0
摘要 - 在本文中，我们提出了一种基于蒙特卡洛的增强特征选择（MCRFS）方法，以及两种效率改进策略，即早期停止（ES）策略和奖励级别互动（RI）策略。功能选择是数据预科技术中最重要的技术之一，旨在为给定的下游机器学习任务找到最佳特征子集。已进行了巨大的研究，以提高其有效性和效率。最近，多代理增强功能选择（MARFS）在改善特征选择的性能方面取得了巨大的成功。但是，Marfs承受着构成成本的沉重负担，这极大地限制了其在现实情况下的应用。在本文中，我们提出了一种有效的增强功能选择方法，该方法使用一种代理来遍历整个功能集，并决定选择或不选择每个功能。特别是，我们首先制定一种行为策略，并使用它来穿越功能集并生成培训数据。然后，我们根据培训数据评估目标策略，并通过Bellman方程来改善目标政策。此外，我们以渐进的方式进行了重要性采样，并提出了一种早期停止策略，以通过删除偏斜数据来提高训练效率。在早期停止策略中，行为策略停止以与重要性抽样重量成反比的概率相反。此外，我们提出了一种奖励级别的互动策略，以通过奖励级别的外部建议来提高培训效率。最后，我们在现实世界数据上设计了广泛的实验，以证明该方法的优越性。
通过早停...
主要关键词
相关文件推荐
