Search Strategies for Binary Feature Selection for a Naive Bayes Classifier

We compare in this paper several feature selection methods for the Naive Bayes Classifier (NBC) when the data under study are described by a large number of redundant binary indicators. Wrapper approaches guided by the NBC estimation of the classification error probability out-perform filter approaches while retaining a reasonable computational cost.

Mots clés

Naive Bayes Classifier Feature Selection Wrapper Foward Backward MRMR Mutual Information

Domaines

Machine Learning [stat.ML]

Fichier principal

rabenorolacailleetal2015search-strategies.pdf (104.38 Ko)

naive-bayes-esann-2015-poster.pdf (654.09 Ko)

Origine	Fichiers produits par l'(les) auteur(s)

Format	Poster
Origine	Fichiers produits par l'(les) auteur(s)

Fabrice Rossi : Connectez-vous pour contacter le contributeur

https://hal.science/hal-01162981

Soumis le : jeudi 11 juin 2015-18:13:23

Dernière modification le : lundi 16 septembre 2024-16:16:04

Archivage à long terme le : samedi 12 septembre 2015-11:11:18

Dates et versions

hal-01162981 , version 1 (11-06-2015)

Licence

Paternité

Identifiants

HAL Id : hal-01162981 , version 1
ARXIV : 1506.04177

Citer

Tsirizo Rabenoro, Jérôme Lacaille, Marie Cottrell, Fabrice Rossi. Search Strategies for Binary Feature Selection for a Naive Bayes Classifier. European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), Apr 2015, Bruges, Belgium. pp.291-296. ⟨hal-01162981⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-PARIS1 SAMOS SAMM MATHS-ENTREPRISES

172 Consultations

207 Téléchargements