[发明专利]一种特征选择方法、装置及设备

权利要求书

1.一种特征选择方法，其特征在于，所述方法包括：

获取多个待选择特征和所述多个待选择特征分别对应的数据，并将所述多个待选择特征以及所述多个待选择特征对应的数据输入随机森林模型进行训练，得到多个不同的决策树，其中，所述多个待选择特征中的各个待选择特征在所述决策树中具有对应的权重；

根据所述多个待选择特征中每个待选择特征分别在所述多个决策树中对应的权重，得到所述每个待选择特征的重要指数，所述重要指数反映所述待选择特征的重要程度；

基于所述每个待选择特征的重要指数，对所述多个待选择特征进行筛选。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述待选择特征在所述决策树中对应的目标变量实例数量，以及所述待选择特征在所述决策树中所处层级对应的权重，确定所述待选择特征在所述决策树中对应的权重。

3.根据权利要求2所述的方法，其特征在于，所述根据所述待选择特征在所述决策树中对应的目标变量实例数量，以及所述待选择特征在所述决策树中所处层级对应的权重，确定所述待选择特征在所述决策树中对应的权重包括：

根据所述待选择特征在所述决策树中对应的目标变量实例数量、所述待选择特征在所述决策树中所处层级对应的权重，以及所述待选择特征的决定系数，确定所述待选择特征在所述决策树中对应的权重，所述决定系数反映所述待选择特征的分类精准度。

4.根据权利要求3所述的方法，其特征在于，所述待选择特征在所述决策树中所处层级对应的权重根据所述决策树中第一层级的权重得到。

5.根据权利要求4所述的方法，其特征在于，所述第一层级的权重根据所述决策树输出结果的正确率得到。

6.根据权利要求3-5任意一项所述的方法，其特征在于，根据如下公式确定待选择特征在所述决策树中对应的权重：

其中，所述W_ij是指所述决策树中第i层第j个待选择特征对应的权重，所述coff是指第i层第j个待选择特征在所述决策树中对应的决定系数，所述num_ij为第i层第j个待选择特征在所述决策树中对应的目标变量实例数量，所述sum为所述决策树对应的目标变量实例总数量，所述W₁为所述决策树中第一层级的权重，所述c为常数。

7.一种特征选择装置，其特征在于，所述装置包括：

决策树获取单元，用于获取多个待选择特征和所述多个待选择特征分别对应的数据，并将所述多个待选择特征以及所述多个待选择特征对应的数据输入随机森林模型进行训练，得到多个不同的决策树，其中，所述多个待选择特征中的各个待选择特征在所述决策树中具有对应的权重；

重要指数获取单元，用于根据所述多个待选择特征中每个待选择特征分别在所述多个决策树中对应的权重，得到所述每个待选择特征的重要指数，所述重要指数反映所述待选择特征的重要程度；

筛选单元，用于基于所述每个待选择特征的重要指数，对所述多个待选择特征进行筛选。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

权重确定单元，用于根据所述待选择特征在所述决策树中对应的目标变量实例数量，以及所述待选择特征在所述决策树中所处层级对应的权重，确定所述待选择特征在所述决策树中对应的权重。

9.根据权利要求8所述的装置，其特征在于，所述权重确定单元具体用于：

根据所述待选择特征在所述决策树中对应的目标变量实例数量、所述待选择特征在所述决策树中所处层级对应的权重，以及所述待选择特征的决定系数，确定所述待选择特征在所述决策树中对应的权重，所述决定系数反映所述待选择特征的分类精准度。

10.一种特征选择设备，其特征在于，所述设备包括：处理器和存储器；

所述存储器，用于存储指令；

所述处理器，用于执行所述存储器中的指令，执行如权利要求1至6中任意一项的方法。