A binary-constrained Geometric Semantic Genetic Programming for feature selection purposes

Autor(es)

Papa, Joao Paulo ^[1] ; Rosa, Gustavo Henrique ^[1] ; Papa, Luciene Patrici ^[2]

Afiliação do(s) autor(es)

^[1] Sao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru - Brazil

^[2] Sao Paulo Southwestern Coll, Av Prof Celso Ferreira Silva 1001, 14-01, BR-18707150 Avare - Brazil

• Tipo de documento: Artigo Científico
• Fonte: PATTERN RECOGNITION LETTERS; v. 100, p. 59-66, DEC 1 2017.
• Citações Web of Science: 3

Resumo

Feature selection concerns the task of finding the subset of features that are most relevant to some specific problem in the context of machine learning. By selecting proper features, one can reduce the computational complexity of the learned model, and to possibly enhance its effectiveness by reducing the well-known overfitting. During the last years, the problem of feature selection has been modeled as an optimization task, where the idea is to find the subset of features that maximize some fitness function, which can be a given classifier's accuracy or even some measure concerning the samples' separability in the feature space, for instance. In this paper, we introduced Geometric Semantic Genetic Programming (GSGP) in the context of feature selection, and we experimentally showed it can work properly with both conic and non-conic fitness landscapes. We observed that there is no need to restrict the feature selection modeling into GSGP constraints, which can be quite useful to adopt the semantic operators to a broader range of applications. (C) 2017 Elsevier B.V. All rights reserved. (AU)

• Processo FAPESP: 10/15566-1 - Estudo da aplicação de um modelo matemático da avaliação do padrão de motricidade fina em pacientes com doença de Parkinson através do biosensor smart pen BiSP
• Beneficiário: Silke Anna Theresa Weber
• Linha de fomento: Auxílio à Pesquisa - Regular
• Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
• Beneficiário: João Paulo Papa
• Linha de fomento: Auxílio à Pesquisa - Regular
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Linha de fomento: Auxílio à Pesquisa - Temático
• Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
• Beneficiário: João Paulo Papa
• Linha de fomento: Auxílio à Pesquisa - Regular
• Processo FAPESP: 15/25739-4 - Estudo de Semântica em Modelos de Aprendizado em Profundidade
• Beneficiário: Gustavo Henrique de Rosa
• Linha de fomento: Bolsas no Brasil - Mestrado
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: José Alberto Cuminato
• Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs