[发明专利]一种基于二分类问题的量子特征选择方法

说明书

本发明提出了一个基于二分类问题的量子特征选择方法，该方法利用量子叠加态的并行性进行样本间最小距离计算，并通过样本迭代学习更新所有特征的权重值，进而获得最终特征权重向量，最后根据预设阈值筛选出相关性大的特征集。该方法利用叠加态针对高维向量的高并行处理优势，大大降低了寻找最近邻点的速度，进而提升算法效率；相比经典同类算法，其时间复杂度从O(TNM)减为O(TM)，且样本的特征数量越大优势越明显。

技术领域

本发明属于量子机器学习领域，涉及采用量子并行算法解决二分类问题中样本特征的筛选问题。

背景技术

机器学习(Machine Learning)是用数据或以往的经验来优化计算机程序的性能标准。随着计算机技术的日益发展，在各个领域中所采集的数据集规模不断增大，特别是高维数据中存在的大量冗余和无关特征，给机器学习带来了巨大的挑战。特征选择(FeatureSelection)是为了解决高维数据计算问题而衍生的，是从所有特征中选择出相关性最强的若干特征来表征一个事物。它不仅能减少特征提取阶段采集、变换等操作的计算压力；同时也有利于降低噪声干扰，提高分类的准确性，因此特征选择是机器学习中的一个重要环节。

Relief算法是最具代表性的一类特征选择算法，最早由Kira等提出。它的基本思想是通过样本迭代学习，更新随机选择样本与最近邻点的所有特征的权重值，获得最终权重向量后根据预设阈值来筛选特征集。但是这种算法随着样本数量和特征数量变大，会非常占用计算资源，一定程度上制约了算法的应用范围。量子的相关特性(如叠加性)对于处理高维向量具有并行处理优势，可能对高维特征选取算法的效率带来积极作用。本发明通过量子叠加态将样本的所有特征进行叠加，降低了寻找最近邻点的复杂度，算法复杂度由经典的是O(TNM)变为O(TM)，从而提高了整个算法的效率。

发明内容

本发明的目的是设计一个高效的基于二分类问题的量子特征选择算法，该算法利用量子叠加态的并行性进行样本间最小距离计算，并通过样本迭代学习更新所有特征的权重值，进而获得最终特征权重向量，最后根据预设阈值，筛选出相关性大的特征集。

技术方案如下：