-
题名基于KL散度的无监督特征选择方法
- 1
-
-
作者
魏碧剑
-
机构
温州大学数学与信息科学学院
-
出处
《温州大学学报（自然科学版）》
2017年第1期12-19,共8页
-
文摘
提出一种新的无监督的特征选择方法,该方法首先通过计算数据样本在图上的测地距离来定义两个样本点之间的联合概率密度,该联合概率可用于描述这两样本之间的相似程度,然后把特征基于相关性矩阵进行预分组,使得在投影到低维空间中时能尽量满足组内特征稀疏,最后通过极小化KL散度、投影矩阵的L2,1范数以及最后的特征优化式子来优化目标,从而达到维数降低的目的.
-
关键词
测地距离
特征分组
KL散度
投影矩阵
-
Keywords
Geodesic Distance
Feature Grouping
KL Divergence
Projection Matrix
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名带组内互斥信息的判别最小二乘特征选择方法
- 2
-
-
作者
郑蓉
魏碧剑
朱文龙
-
机构
温州大学数学与信息科学学院
-
出处
《温州大学学报（自然科学版）》
2016年第2期17-26,共10页
-
文摘
带组内互斥信息的判别最小二乘特征选择方法,通过考虑特征互斥信息,既保证了那些重要特征的选择,又兼顾了特征表达的广泛性.判别最小二乘模型能够最大化异类数据的分布,使不同类别的距离被扩大;另外,组内特征互斥项可以使模型尽可能地选择那些既重要、又互不相似的特征,从而获得重要的特征子集.对在现实世界中采集的数据进行实验,结果表明,带组内互斥信息的判别最小二乘特征选择方法比已有的判别最小二乘特征选择方法在数据分类问题中具有更好的效果.
-
关键词
特征选择方法
最小二乘回归
特征相似度
-
Keywords
Feature Selection Approach
Least Square Regression
Feature-similarity Degree
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
