灰狼算法特征選擇（灰狼算法特征選擇題及答案）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于灰狼算法特征選擇的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、THC是什么意思？CFS費用是什么意思？

• 2、決策樹算法-原理篇

• 3、比較特征選擇和因子分析算法的異同

• 4、特征元素篩選的目的

一、THC是什么意思？CFS費用是什么意思？

THC即Terminal Handling Charges (碼頭處理費)的縮寫，是指由船公司向交貨人或收貨人收取的費用，用以抵償船公司在裝貨港或目的港需要支付給碼頭或者中間作業(yè)經(jīng)營者的貨柜碼頭裝卸費用及其他有關處理貨物的費用。THC可分成裝貨港的THC和目的港的THC。

CFS是集裝箱貨運站（CONTAINER FREIGHT STATION）是處理拼箱貨的場所，集裝箱貨運站的使用費用，它辦理拼箱貨的交接，配載積載后，將箱子送往CY(Container Yard， 集裝箱（貨柜）堆場)，并接受CY交來的進口貨箱，進行拆箱，理貨，保管，最后撥給各收貨人。同時也可以按承運人的委托進行鉛封和簽發(fā)場站收據(jù)等業(yè)務。CFS的費用，通常是以一個立方多少來計算的。

擴展資料：

THC按起運港和目的港不同可劃分為OTHC（Origin Terminal Handling Charge，起運港碼頭操作費）和DTHC（Destination Terminal Handling Charge，目的港碼頭操作費）兩種。出口到美國的貨物沒有DTHC。

2010 1月1號開始，船公司會進一步增加THC 的收費，部分船公司收費已經(jīng)發(fā)出通知，例如COSCO。

THC費用、ORC費用法律提示:

1. 無論FOB還是CFR情況下，裝貨港的THC/ORC費用均由賣方承擔，中國供應商在報價時必須考慮該價格因素。

2. 認為FOB情況下，買方承擔運費就必然承擔THC或者ORC的觀點是失當?shù)?。該觀點是對THC費用性質(zhì)及FOB條款涵義的誤解所造成的，中國供應商應予注意。

3. 認為CFR情況下，賣方必然承擔卸貨港的駁運費、碼頭費用的觀點也是失當?shù)摹Ｙu方可以通過在運輸合同中排除承擔，以及在買賣合同中約定由買方承擔，而實現(xiàn)自身的免責。所以，CFR條件下，賣家需要注意的問題是，運輸合同由賣方簽訂，船公司往往在格式條款中要求賣家承擔目的港的碼頭費用，若賣方不擬承擔該費用，應在運輸合同中排除;若船公司的格式合同不容更改，則應在買賣合同中約定由買方補償該費用。

4. 上述關于THC和ORC費用的承擔適用于買賣雙方僅約定FOB或CFR條件，且沒有對THC和ORC作出特別約定的情形，事實上，對于THC和ORC的承擔，買賣雙方是可以通過買賣合同另行約定，且該另行之約定較FOB或CFR條件有優(yōu)先效力。

參考資料：百度百科-THC （集裝箱碼頭裝卸作業(yè)費的縮寫）

參考資料：百度百科-CFS （集裝箱貨運站）

二、決策樹算法-原理篇

關于決策樹算法，我打算分兩篇來講，一篇講思想原理，另一篇直接擼碼來分析算法。本篇為原理篇。

通過閱讀這篇文章，你可以學到：

1、決策樹的本質(zhì)

2、決策樹的構(gòu)造過程

3、決策樹的優(yōu)化方向

決策樹根據(jù)使用目的分為：分類樹和回歸樹，其本質(zhì)上是一樣的。本文只講分類樹。

決策樹，根據(jù)名字來解釋就是，使用樹型結(jié)構(gòu)來模擬決策。

用圖形表示就是下面這樣。

其中橢圓形代表：特征或?qū)傩浴ｉL方形代表：類別結(jié)果。

面對一堆數(shù)據(jù)（含有特征和類別），決策樹就是根據(jù)這些特征（橢圓形）來給數(shù)據(jù)歸類（長方形）

例如，信用貸款問題，我根據(jù)《神奇動物在哪里》的劇情給銀行造了個決策樹模型，如下圖：

然而，決定是否貸款可以根據(jù)很多特征，然麻雞銀行選擇了：（1）是否房產(chǎn)價值>100w；（2）是否有其他值錢的抵押物；（3）月收入>10k；（4）是否結(jié)婚；這四個特征，來決定是否給予貸款。

先不管是否合理，但可以肯定的是，決策樹做了特征選擇工作，即選擇出類別區(qū)分度高的特征。

由此可見， 決策樹其實是一種特征選擇方法。 （特征選擇有多種，決策樹屬于嵌入型特征選擇，以后或許會講到，先給個圖）即選擇區(qū)分度高的特征子集。

那么， 從特征選擇角度來看決策樹，決策樹就是嵌入型特征選擇技術

同時，決策樹也是機器學習中經(jīng)典分類器算法，通過決策路徑，最終能確定實例屬于哪一類別。

那么， 從分類器角度來看決策樹，決策樹就是樹型結(jié)構(gòu)的分類模型

從人工智能知識表示法角度來看，決策樹類似于if-then的產(chǎn)生式表示法。

那么， 從知識表示角度來看決策樹，決策樹就是if-then規(guī)則的集合

由上面的例子可知，麻雞銀行通過決策樹模型來決定給哪些人貸款，這樣決定貸款的流程就是固定的，而不由人的主觀情感來決定。

那么， 從使用者角度來看決策樹，決策樹就是規(guī)范流程的方法

最后我們再來看看決策樹的本質(zhì)是什么已經(jīng)不重要了。

決策樹好像是一種思想，而通過應用在分類任務中從而成就了“決策樹算法”。

下面內(nèi)容還是繼續(xù)講解用于分類的“決策樹算法”。

前面講了決策樹是一種 特征選擇技術 。

既然決策樹就是一種特征選擇的方法，那么經(jīng)典決策樹算法其實就是使用了不同的特征選擇方案。

如：

（1）ID3：使用信息增益作為特征選擇

（2）C4.5：使用信息增益率作為特征選擇

（3）CART：使用GINI系數(shù)作為特征選擇

具體選擇的方法網(wǎng)上一大把，在這里我提供幾個鏈接，不細講。

但，不僅僅如此。

決策樹作為嵌入型特征選擇技術結(jié)合了特征選擇和分類算法，根據(jù)特征選擇如何生成分類模型也是決策樹的一部分。

其生成過程基本如下：

根據(jù)這三個步驟，可以確定決策樹由：（1）特征選擇；（2）生成方法；（3）剪枝，組成。

決策樹中學習算法與特征選擇的關系如下圖所示：

原始特征集合T：就是包含收集到的原始數(shù)據(jù)所有的特征，例如：麻瓜銀行收集到與是否具有償還能力的所有特征，如：是否結(jié)婚、是否擁有100w的房產(chǎn)、是否擁有汽車、是否有小孩、月收入是否>10k等等。

中間的虛線框就是特征選擇過程，例如：ID3使用信息增益、C4.5使用信息增益率、CART使用GINI系數(shù)。

其中評價指標（如：信息增益）就是對特征的要求，特征需要滿足這種條件（一般是某個閾值），才能被選擇，而這一選擇過程嵌入在學習算法中，最終被選擇的特征子集也歸到學習算法中去。

這就是抽象的決策樹生成過程，不論哪種算法都是將這一抽象過程的具體化。

其具體算法我將留在下一篇文章來講解。

而決策樹的剪枝，其實用得不是很多，因為很多情況下隨機森林能解決決策樹帶來的過擬合問題，因此在這里也不講了。

決策樹的優(yōu)化主要也是圍繞決策樹生成過程的三個步驟來進行優(yōu)化的。

樹型結(jié)構(gòu)，可想而知，算法效率決定于樹的深度，優(yōu)化這方面主要從特征選擇方向上優(yōu)化。

提高分類性能是最重要的優(yōu)化目標，其主要也是特征選擇。

面對過擬合問題，一般使用剪枝來優(yōu)化，如：李國和基于決策樹生成及剪枝的數(shù)據(jù)集優(yōu)化及其應用。

同時，決策樹有很多不足，如：多值偏向、計算效率低下、對數(shù)據(jù)空缺較為敏感等，這方面的優(yōu)化也有很多，大部分也是特征選擇方向，如：陳沛玲使用粗糙集進行特征降維。

由此，決策樹的優(yōu)化方向大多都是特征選擇方向，像ID3、C4.5、CART都是基于特征選擇進行優(yōu)化。

參考文獻

統(tǒng)計學習方法-李航

特征選擇方法綜述-李郅琴

決策樹分類算法優(yōu)化研究_陳沛玲

基于決策樹生成及剪枝的數(shù)據(jù)集優(yōu)化及其應用-李國和

三、比較特征選擇和因子分析算法的異同

因子分析 1輸入數(shù)據(jù)。 2點Analyze 下拉菜單，選Data Reduction 下的Factor 。 3打開Factor Analysis后,將數(shù)據(jù)變量逐個選中進入Variables 對話框中。 4單擊主對話框中的Descriptive按扭，打開Factor Analysis: Descriptives子對話框，在Statistics欄中選擇Univariate Descriptives項要求輸出個變量的均值與標準差，在Correlation Matrix 欄內(nèi)選擇Coefficients項，要求計算相關系數(shù)矩陣，單擊Continue按鈕返回Factor Analysis主對話框。 5單擊主對話框中的Extraction 按鈕，打開如下圖所示的Factor Analysis: Extraction 子對話框。在Method列表中選擇默認因子抽取方法——Principal Components，在Analyze 欄中選擇默認的Correlation Matrix 項要求從相關系數(shù)矩陣出發(fā)求解主成分，在Exact 欄中選擇Number of Factors;6， 要求顯示所有主成分的得分和所能解釋的方差。單擊Continue按鈕返回Factor Analysis主對話框。 6單擊主對話框中的OK 按鈕，輸出結(jié)果。

四、特征元素篩選的目的

特征提取的目的是把樣本集從高維特征空間映射到低維特征空間，并使映射后的樣本集仍具有良好的可分性。特征提取算法的好壞會影響系統(tǒng)的最終識別效果，同時經(jīng)過特征提取后的數(shù)據(jù)集由于維數(shù)的減少，會明顯減少系統(tǒng)的計算時間。然而在很多問題中往往不容易提取出合適的特征，需要根據(jù)具體的分類問題選擇特征選擇算法。

以上就是關于灰狼算法特征選擇相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

灰狼優(yōu)化算法應用（灰狼優(yōu)化算法應用）

灰狼算法和遺傳算法哪個好（灰狼算法和遺傳算法哪個好用）

多目標灰狼算法（多目標灰狼算法流程圖）

杭州市武林壹號（杭州武林壹號房價）

手機k歌軟件排行榜（手機k歌軟件排行榜前十名）