NSGA2算法特征选择MATLAB实现（多目标）

pulbieup

8 N: r% ~6 d! J9 `3 V

NSGA2算法特征选择MATLAB实现（多目标）

( v+ D- \* u+ Z+ P' Y; H7 \: b

# W! B8 a0 I% h; m9 S( |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。

需要优化的两个目标为特征数和精度。
6 F: ^$ D' ]; B9 V4 ~( m: Z
nsga2是一个多目标优化算法。
7 F% q" @! v1 |% R1 T4 o
) D& Y5 ?/ R( ~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 r1 z$ @; @& i0 R
3 w8 E" R% ~& j% X- D  o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：
9 r  i( o, V6 w2 C8 q
. I+ y7 E: L5 k" A- `& N- K

• 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.
  

  
: P3 z  ?4 @8 c; {- T. ?
0 Z1 h* o; k% ]+ n: w3 @MATLAB代码主函数:
' P9 p1 j6 s+ s3 `+ ?5 J
6 `+ n7 [& r0 T

• %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
• %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
  $ i. H( r) C' Z* R

        
评价函数（利用林志仁SVM进行训练）：
# ~* ], p. `4 d4 U: W

• 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。
) A, V' U" z5 w8 r  X$ X* T
1 A* M& p: P, P' D/ s+ ?" x% }: S4 I% W结果：
) p/ J" Y& Z9 h) r' {0 x2 w! v
5 X* ^1 N2 {0 [$ y. H) Q①pareto面



最后粒子的数据（选出的特征数和精确度）
# ?1 w" W+ p! L, h' F! Q
& ^4 q( S9 E# o+ |

- U, L2 v1 S! l- i: B. P6 {

NNNei256

NSGA2算法特征选择MATLAB实现（多目标）