摘要
针对数据维度较高、数据的冗余性导致模型训练带来的复杂性和挖掘不足的问题,创新性地提出了一种基于轻量梯度提升机(light gradient boosting machine,LightGBM)算法的吉布斯采样(Gibbs Sam⁃pling)方法,获取近似于目标分布的样本数据集,对样本数据集进行分析得到每个特征的重要度,选取一定的特征实现特征选择,实现降维.为验证这种方法的有效性,选取一些典型的特征选择算法进行对比,通过交叉验证的方法,与之进行比较,发现基于Gibbs Sampling的特征选择算法会取得更好的准确率,与原始数据集相比,能有效降低特征,同时提高了模型预测能力.
维普
万方数据