Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Deep Active Learning for Autonomous Navigation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Comparison of Methods for Automated Feature Selection Using a Self-organising Map

verfasst von : Aliyu Usman Ahmad, Andrew Starkey

Erschienen in: Engineering Applications of Neural Networks

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The effective modelling of high-dimensional data with hundreds to thousands of features remains a challenging task in the field of machine learning. One of the key challenges is the implementation of effective methods for selecting a set of relevant features, which are buried in high-dimensional data along with irrelevant noisy features by choosing a subset of the complete set of input features that predicts the output with higher accuracy comparable to the performance of the complete input set. Kohonen’s Self Organising Neural Network MAP has been utilized in various ways for this task. In this work, a review of the appropriate application of multiple methods for this task is carried out. The feature selection approach based on analysis of the Self Organising network result after training is presented with comparison of performance of two methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Elastic Net Application: Case Study to Find Solutions for the TSP in a Beowulf Cluster Architecture
Nächstes Kapitel EEG-Based Condition Clustering using Self-Organising Neural Network Map
Literatur
1.
Tajunisha, S., Saravanan, V.: Performance analysis of k-means with different initialization methods for high dimensional data. Int. J. Artif. Intell. Appl. (IJAIA) 1, 44–52 (2010)
2.
Yin, S., Huang, Z.: Performance monitoring for vehicle suspension system via fuzzy positivistic C-means clustering based on accelerometer measurements (2015)
3.
Gebauer, H.: Identifying service strategies in product manufacturing companies by exploring environment–strategy configurations. Ind. Mark. Manag. 37, 278–291 (2008)CrossRef
4.
Ivanov, V.: A review of fuzzy methods in automotive engineering applications. Eur. Transp. Res. Rev. 7, 1–10 (2015)CrossRef
5.
Krishnan, V., Ulrich, K.T.: Product development decisions: a review of the literature. Manag. Sci. 47, 1–21 (2001)CrossRef
6.
Liu, H., Li, Y., Li, N., Liu, C.: Robust visual monitoring of machine condition with sparse coding and self-organizing map. In: Liu, H., Ding, H., Xiong, Z., Zhu, X. (eds.) ICIRA 2010, Part I. LNCS, vol. 6424, pp. 642–653. Springer, Heidelberg (2010)CrossRef
7.
Pham, D., Afify, A.: Clustering techniques and their applications in engineering. Proc. Inst. Mech. Eng. Part C 221, 1445–1459 (2007)CrossRef
8.
Khoshnevisan, B., Bolandnazar, E., Barak, S., Shamshirband, S., Maghsoudlou, H., Altameem, T.A., Gani, A.: A clustering model based on an evolutionary algorithm for better energy use in crop production. Stoch. Environ. Res. Risk Assess. 29, 1921–1935 (2015)CrossRef
9.
Nguyen, S.D., Nguyen, Q.H., Choi, S.: A hybrid clustering based fuzzy structure for vibration control–Part 2: an application to semi-active vehicle seat-suspension system. Mech. Syst. Sig. Process. 56, 288–301 (2015)CrossRef
10.
Maren, A.J., Harston, C.T., Pap, R.M.: Handbook of Neural Computing Applications. Academic Press, Cambridge (2014)MATH
11.
Kohonen, T.: The self-organizing map. Proc. IEEE 78, 1464–1480 (1990)CrossRef
12.
Yin, H.: The self-organizing maps: background, theories, extensions and applications. In: Fulcher, H., Jain, L.C. (eds.) Computational Intelligence: A Compendium. SCI, vol. 115, pp. 642–762. Springer, Heidelberg (2008)
13.
Simula, O., Alhoniemi, E., Hollmen, J., Vesanto, J.: Monitoring and modeling of complex processes using hierarchical self-organizing maps (1996)
14.
Shafreen Banu, A., Ganesh, S.H.: A study of feature selection approaches for classification, pp. 1–4 (2015)
15.
De Carvalho, F.D.A., Bertrand, P., Simões, E.C.: Batch SOM algorithms for interval-valued data with automatic weighting of the variables. Neurocomputing 182, 66–81 (2015)CrossRef
16.
Mesghouni, N., Temanni, M.: Unsupervised double local weighting for feature selection, vol. 1, pp. 413–417 (2011)
17.
Grozavu, N., Bennani, Y., Lebbah, M.: From variable weighting to cluster characterization in topographic unsupervised learning, pp. 1005–1010 (2009)
18.
De Bodt, E., Cottrell, M., Verleysen, M.: Statistical tools to assess the reliability of self-organizing maps. Neural Netw. 15, 967–978 (2002)CrossRefMATH
19.
Gonzaga, C.C., Schneider, R.M.: On the steepest descent algorithm for quadratic functions. 1–20 (2015)
20.
Schwefel, H.: Numerische optimierung von computer-modellen mittels der evolutions strategie. Birkhäuser, Basel Switzerland (1977)CrossRefMATH
Metadaten
Titel
Comparison of Methods for Automated Feature Selection Using a Self-organising Map
verfasst von
Aliyu Usman Ahmad
Andrew Starkey
Copyright-Jahr
2016
Buch
Engineering Applications of Neural Networks

Print ISBN: 978-3-319-44187-0

Electronic ISBN: 978-3-319-44188-7

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-44188-7_10

Premium Partner

    Bildnachweise