改进Boruta算法在特征选择中的应用

特征选择在机器学习中运用广泛，Boruta算法是一种常见的特征选择方法，算法思想简单、易于操作，但样本复杂度较高。针对该问题提出改进Boruta算法，在原算法阴影特征样本建造中只对部分样本打乱重排序，降低了阴影特征样本的复杂度。实验结果表明，改进的Boruta算法在混合比例约为0.4~0.6时相比原算法，提取出的特征拟合模型预测性能略有提高。使用平均减少不纯度（mean decrease impurity）和随机Lasso这两种传统方法选择同样数量的特征建立模型进行预测，发现改进的Boruta算法预测性能比上述两种方法更优，改进的Boruta算法在降低样本复杂度的同时提高了预测性能。