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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Soft Computing
Erschienen in: Soft Computing 17/2020

03.02.2020 | Methodologies and Application

LASSO multi-objective learning algorithm for feature selection

verfasst von: Frederico Coelho, Marcelo Costa, Michel Verleysen, Antônio P. Braga

Erschienen in: Soft Computing | Ausgabe 17/2020

Einloggen

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

search-config
loading …

Abstract

This work proposes a new algorithm for training neural networks to solve the problems of feature selection and function approximation. The algorithm applies different weight constraint functions for the hidden and the output layers of a multilayer perceptron neural network. The LASSO operator is applied to the hidden layer; therefore, the training provides automatic selection of relevant features and the standard norm regularization function is applied to the output layer. Therefore, we propose a multi-objective training algorithm that is able to select the important features while solving the approximation problem.
Vorheriger Artikel A computational approach for printed document forensics using SURF and ORB features
Nächster Artikel Clustering of the body shape of the adult male by using principal component analysis and genetic algorithm–BP neural network

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 "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

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
Literatur
(1994) Encyclopaedia of Mathematics (set). Springer Netherlands
Bartlett PL (1997) For valid generalization the size of the weights is more important than the size of the network. In: Mozer MC, Jordan MI, Petsche T (eds) Advances in neural information processing systems, vol 9. The MIT Press, Cambridge
Bland RG, Goldfarb D, Todd MJ (1980) The ellipsoid method: a survey. Technical report, Ithaca
Braga A, Takahashi R, Costa M, Teixeira R (2006) Multi-objective algorithms for neural networks learning. In: Jin Y (ed) Multi-objective machine learning, studies in computational intelligence, vol 16. Springer, Berlin, pp 151–171CrossRef
Broadbent D (1958) Perception and communication. Pergamon Press, LondonCrossRef
Gacek A, Pedrycz W (2011) ECG signal processing, classification and interpretation: a comprehensive framework of computational intelligence. Springer, New York
Geman S, Bienenstock E, Doursat R (1992) Neural networks and the bias-variance dilemma. Neural Comput 4:1–58CrossRef
Gretton A, Bousquet O, Smola A, Schölkopf B (2005) Measuring statistical dependence with Hilbert–Schmidt norms. In: International conference on algorithmic learning theory. Springer, pp 63–77
Guyon I, Road C (2008) Practical feature selection : from correlation to causality. IOS Press, Amsterdam, pp 1–17
Hastie T, Tibshirani R, Friedman J (2009) The elements of statistical learning: data mining, inference and prediction, 2nd edn. Springer, New YorkCrossRef
Haykin S (2001) Redes Neurais. Princípios e Prática, Bookman
Kira K, Rendell LA (1992) The feature selection problem: traditional methods and a new algorithm. AAAI. MIT Press, Cambridge, pp 129–134
Teixeira BTRS Roselito (2000) Improving generalization of MLPS with multi-objective optimization. Neurocomputing 35(1–4):189–194
Tibshirani R (1996a) Regression shrinkage and selection via the lasso. J R Stat Soc B 58:267–288MathSciNetMATH
Tibshirani R (1996b) Regression shrinkage and selection via the lasso. J R Stat Soc (Ser B) 58:267–288MathSciNetMATH
Vapnik V, Boser (1992) A training algorithm for optimal margin classifiers. In: Fifth annual workshop on computational learning theory, San mateo, pp 1–152
Vapnik VN, Cortes C (1995a) Support vector networks. Mach Learn 20:273–297MATH
Vapnik V (1995b) The nature of statistical learning theory. Springer, New YorkCrossRef
Metadaten
Titel
LASSO multi-objective learning algorithm for feature selection
verfasst von
Frederico Coelho
Marcelo Costa
Michel Verleysen
Antônio P. Braga
Publikationsdatum
03.02.2020
Verlag
Springer Berlin Heidelberg
Erschienen in
Soft Computing / Ausgabe 17/2020
Print ISSN: 1432-7643
Elektronische ISSN: 1433-7479
DOI
https://doi.org/10.1007/s00500-020-04734-w

Weitere Artikel der Ausgabe 17/2020

Soft Computing 17/2020 Zur Ausgabe

Methodologies and Application

Optimum design and analysis of HRES for rural electrification: a case study of Korkadu district

Methodologies and Application

A novel fractional-order neural network for model reduction of large-scale systems with fractional-order nonlinear structure

Foundations

A diversity introduction strategy based on change intensity for evolutionary dynamic multiobjective optimization

Methodologies and Application

Soft computing-based fuzzy integral sliding mode control: a real-time investigation on a conical tank process

Methodologies and Application

Self-adaptive weight vector adjustment strategy for decomposition-based multi-objective differential evolution algorithm

Methodologies and Application

A novel nature-inspired meta-heuristic algorithm for optimization: bear smell search algorithm