一种新的最大相关最小冗余特征选择算法

• 作者: 李顺勇 王改变
• 来源期刊: 智能系统学报
• 关键词: 特征选择 冗余度 相关度 降维 分类 分类正确率 支持向量机 T检验
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 机器学习|Machine Learning
• 页码范围: 649-661
• 页数: 13页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11992/tis.202009016

摘要

传统的基于特征选择的分类算法中,由于其采用的冗余度和相关度评价标准单一,从而使得此类算法应用范围受限.针对这个问题,本文提出一种新的最大相关最小冗余特征选择算法,该算法在度量特征之间冗余度的评价准则中引入了两种不同的评价准则;在度量特征与类别之间的相关度中引入了4种不同的评价准则,衍生出8种不同的特征选择算法,从而使得该算法应用范围增大.此外,由于传统的最大相关最小冗余特征选择算法不能根据用户实际需求的数据维度进行特征选择.所以,引入了指示向量λ来刻画用户实际的数据维度需求,提出了一种新的目标函数来求解最优特征子集,利用支持向量机对4个UCI数据集的特征子集进行了实验,最后,利用分类正确率、成对单边T检验充分验证了该算法的有效性.