NSGA2算法特征选择MATLAB实现（多目标）

pulbieup

NSGA2算法特征选择MATLAB实现（多目标）

3 i4 s5 a% V! {$ ~
7 v) J, K1 T5 G% V4 ^, N0 J
! d: s- S/ c7 H8 u1 T  k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。

. g6 c1 W& N4 q5 l0 P需要优化的两个目标为特征数和精度。
$ q/ N7 m6 M' P7 N  D
nsga2是一个多目标优化算法。

8 c) y7 t% P7 f7 m: ^4 U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）
4 x! G7 N2 e0 _6 V3 ~. l( x' E2 f
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：
, M% t, y5 y) q2 R) a& D

• 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.
  

  
. r( Q7 J$ X: l4 X2 K- y, p0 p
MATLAB代码主函数:
, l* C+ z$ ~, W$ [# T9 `0 [
7 z) H: b8 o/ U, N  x% o

• %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
• %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
  

        
评价函数（利用林志仁SVM进行训练）：

; B, T5 f6 x  q' F! e

• 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
  

选的的数据集请从UCI上下载。

, X+ \2 G% v) i5 h结果：
' @/ C2 l: ]& L+ P2 G
$ K3 |/ q1 `, g①pareto面



最后粒子的数据（选出的特征数和精确度）


* I' L% u0 \1 m& L1 ~4 b

; d- \: x2 ~' R) P: `5 ?5 A

NNNei256

NSGA2算法特征选择MATLAB实现（多目标）