NSGA2算法特征选择MATLAB实现（多目标）

pulbieup

) _- X% M) {6 A+ n2 x

NSGA2算法特征选择MATLAB实现（多目标）

0 X! l+ o( _) ~. U3 D. R
, u. d3 M0 B9 R" R1 z" X
利用nsga2进行进行特征选择其主要思想是：将子集的选择看作是一个搜索寻优问题（wrapper方法），生成不同的组合，对组合进行评价，再与其他的组合进行比较。这样就将子集的选择看作是一个是一个优化问题。

+ P: x1 |% u9 s- d; v3 {: s需要优化的两个目标为特征数和精度。
0 n& s  n; _* Q8 [
nsga2是一个多目标优化算法。
3 f+ m3 I# t" E9 w9 C
. K8 E- o' R4 d$ K+ p' ]; j" N1 L" a+ b具体的nsga2通用算法请看：NSGA2算法MATLAB实现（能够自定义优化函数）
9 l' j8 Q  I% S
具体的特征选择代码在上述代码的基础上改了两个①主函数②评价函数，增加了一个数据分成训练集和测试集的函数：

) P9 g0 r& l3 v

• function divide_datasets()
• load Parkinson.mat;
• dataMat=Parkinson_f;
• len=size(dataMat,1);
• %归一化
• maxV = max(dataMat);
• minV = min(dataMat);
• range = maxV-minV;
• newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));
• Indices   =  crossvalind('Kfold', length(Parkinson_label), 10);
• site = find(Indices==1|Indices==2|Indices==3);
• train_F = newdataMat(site,：）;
• train_L = Parkinson_label(site);
• site2 = find(Indices~=1&Indices~=2&Indices~=3);
• test_F = newdataMat(site2,：）;
• test_L =Parkinson_label(site2);
• save train_F train_F;
• save train_L train_L;
• save test_F test_F;
• save test_L test_L;
• end
• %what doesn't kill you makes you stronger, stand a little taller,doesn't mean i'm over cause you're gonw.
  0 h) N) n2 q4 s2 L7 m- d

  

4 y1 R  a- w* N4 y  e4 cMATLAB代码主函数:

) M" y  B" A. \9 K* V; n& k

• %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
• %此处可以更改
• %更多机器学习内容请访问omegaxyz.com
• clc;
• clear;
• pop = 500; %种群数量
• gen = 100; %迭代次数
• M = 2; %目标数量
• V = 22; %维度
• min_range = zeros(1, V); %下界
• max_range = ones(1,V); %上界
• %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
• %特征选择
• divide_datasets();
• global answer
• answer=cell(M,3);
• global choice     %选出的特征个数
• choice=0.8;
• %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
• chromosome = initialize_variables(pop, M, V, min_range, max_range);
• chromosome = non_domination_sort_mod(chromosome, M, V);
• for i = 1 : gen
•     pool = round(pop/2);
•     tour = 2;
•     parent_chromosome = tournament_selection(chromosome, pool, tour);
•     mu = 20;
•     mum = 20;
•     offspring_chromosome = genetic_operator(parent_chromosome,M, V, mu, mum, min_range, max_range);
•     [main_pop,~] = size(chromosome);
•     [offspring_pop,~] = size(offspring_chromosome);
•     clear temp
•     intermediate_chromosome(1:main_pop,：） = chromosome;
•     intermediate_chromosome(main_pop + 1 : main_pop + offspring_pop,1 : M+V) = offspring_chromosome;
•     intermediate_chromosome = non_domination_sort_mod(intermediate_chromosome, M, V);
•     chromosome = replace_chromosome(intermediate_chromosome, M, V, pop);
•     if ~mod(i,100)
•         clc;
•         fprintf('%d generations completed\n',i);
•     end
• end
• if M == 2
•     plot(chromosome(:,V + 1),chromosome(:,V + 2),'*');
•     xlabel('f_1'); ylabel('f_2');
•     title('Pareto Optimal Front');
• elseif M == 3
•     plot3(chromosome(:,V + 1),chromosome(:,V + 2),chromosome(:,V + 3),'*');
•     xlabel('f_1'); ylabel('f_2'); zlabel('f_3');
•     title('Pareto Optimal SuRFace');
• end
  

        
" K! D2 C( u( `评价函数（利用林志仁SVM进行训练）：

" f% E$ B# R; P5 u

• function f = evaluate_objective(x, M, V, i)
• f = [];
• global answer
• global choice
• load train_F.mat;
• load train_L.mat;
• load test_F.mat;
• load test_L.mat;
• temp_x = x(1:V);
• inmodel = temp_x>choice;%%%%%设定恰当的阈值选择特征
• f(1) = sum(inmodel(1,：）);
• answer(i,1)={f(1)};
• model = libsvmtrain(train_L,train_F(:,inmodel), '-s 0 -t 2 -c 1.2 -g 2.8');
• [predict_label, ~, ~] = libsvmpredict(test_L,test_F(:,inmodel),model,'-q');
• error=0;
• for j=1:length(test_L)
•     if(predict_label(j,1) ~= test_L(j,1))
•         error = error+1;
•     end
• end
• error = error/length(test_L);
• f(2) = error;
• answer(i,2)={error};
• answer(i,3)={inmodel};
• end
  ' R7 m' |) w% H' e/ P

选的的数据集请从UCI上下载。

0 k2 }: N! j# @0 ]  D结果：
! i8 f- U3 [7 L5 c
①pareto面



最后粒子的数据（选出的特征数和精确度）
5 T9 C$ P2 V2 {' x/ }
/ ?4 V2 N+ S/ @& W1 O, M
: X" ~( X  i! l9 C0 H
3 B2 f5 j7 n' E- l1 p
* K! A% ^4 _( L8 d- d3 X

NNNei256

NSGA2算法特征选择MATLAB实现（多目标）