{rfName}
Fe

Indexado en

Licencia y uso

Citaciones

86

Altmetrics

Análisis de autorías institucional

Ruiz, RAutor o Coautor

Compartir

30 de octubre de 2024
Publicaciones
>
Artículo
No

Feature Selection With Maximal Relevance and Minimal Supervised Redundancy

Publicado en:Ieee Transactions On Cybernetics. 53 (2): 707-717 - 2023-02-01 53(2), DOI: 10.1109/TCYB.2021.3139898

Autores: Wang, YD; Li, XP; Ruiz, R

Afiliaciones

Henan Univ, Sch Comp & Informat Engn, Inst Data & Knowledge Engn - Autor o Coautor
Southeast Univ, Minist Educ, Key Lab Comp Network & Informat Integrat - Autor o Coautor
Univ Politecn Valencia, Grp Sistemas Optimizac Aplicada, Inst Tecnol Informat Ciudad Politecn Innovac - Autor o Coautor

Resumen

Feature selection (FS) for classification is crucial for large-scale images and bio-microarray data using machine learning. It is challenging to select informative features from high-dimensional data which generally contains many irrelevant and redundant features. These features often impede classifier performance and misdirect classification tasks. In this article, we present an efficient FS algorithm to improve classification accuracy by taking into account both the relevance of the features and the pairwise features correlation in regard to class labels. Based on conditional mutual information and entropy, a new supervised similarity measure is proposed. The supervised similarity measure is connected with feature redundancy minimization evaluation and then combined with feature relevance maximization evaluation. A new criterion max-relevance and min-supervised-redundancy (MRMSR) is introduced and theoretically proved for FS. The proposed MRMSR-based method is compared to seven existing FS approaches on several frequently studied public benchmark datasets. Experimental results demonstrate that the proposal is more effective at selecting informative features and results in better competitive classification performance.

Palabras clave

ArticleClassificationClassification (of information)Clustering algorithmsConditional mutual informationCorrelationDependencyElectronic mailEntropyFeature extractionFeature selectionFeature selection (fs)Feature selection algorithmFeatures extractionFeatures selectionLearning systemsMachineMicroarray analysisMinimisationMinimizationMutual informationMutual informationsRedundancySimilarity measureSupervised similarity measure

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Ieee Transactions On Cybernetics debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2023, se encontraba en la posición 4/84, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Automation & Control Systems. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 5.52. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 14 Nov 2024)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 4.44 (fuente consultada: FECYT Feb 2024)
  • Field Citation Ratio (FCR) de la fuente Dimensions: 33.65 (fuente consultada: Dimensions Jul 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-07-17, el siguiente número de citas:

  • WoS: 34
  • Scopus: 36

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-07-17:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 13.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 20 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 0.25.
  • El número de menciones en la red social X (antes Twitter): 1 (Altmetric).

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: China.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Último Autor (Ruiz Carrasco, Reyes Alejandro).