特征选择结果：FSA 算法在高维数据上的应用

如前所述，数据是高维的，由于市场状况和数据可用性不同，每个数据集的样本数量也不同。为了减少高维度，对每个数据集应用了带有线性模型的 FSA 算法 Barbu 等人 (2016)，并将得到的结果与获得这些结果的参数组合一起列在表 7 和表 8 中。 ; s 和是 FSA 算法的最重要参数。对于回归和分类问题以及模拟退火参数 ()，相关特征的数量通常不同。模拟退火参数通常为 = 300，除了回归和分类的'Tether', 'Bitcoin' 和 'Ripple' 数据集以及 NKK 分类。