基于多准则排序融合的特征选择方法
2015-05-04石国良苟先太金炜东
计算机工程与设计 2015年4期
李 晓,石国良,苟先太,金炜东
(西南交通大学 电气工程学院,四川 成都610031)
0 引 言
特征选择是从原始特征中选择出一些最有效特征以降低数据集维度的过程。目前,按照特征选择方法依据是否独立于后续的学习算法,分为Wrapper(包裹)和Filter(过滤)两种方式[1]。Wrapper利用后续学习算法的训练准确率评估特征子集,具有偏差大、计算量大的缺点,不适合大数据集。Filter一般使用评价准则来增强特征与类的相关性、削弱特征之间的相关性,利用训练数据的统计性能评估特征,计算效率较高,能很快地利用评价准则来评价特征的好坏。本文主要涉及基于Filter方式的特征选择方法。基于Filter模式的评价准则包括:Fisher比率[2,3]、Re-liefF[4,5]、马氏距 离[6-8]、 模 糊 熵 方 法[9]、类 间 可 分 性[10]、相关性[11]等。然而,Filter模式的单个评价准则不能全面评价特征子集的好坏,单一的特征评价准则难以全面评估特征的优劣,选择精度较低,有待改进。因此,多准则、多尺度的特征评估方法是目前研究的主要内容。国内外许多学者利用了多种评价准则来进行特征选择算法的研究,并取得了明显的效果。例如,文献 [10]提出基于ReliefF算法、类间可分性及特征相关性的多特征评价准则算法,有效降低特征维度并具有比单准则特征选择方法更高的分类性能;文献 [12]引入多个评价准则进行轮询式选择,突破了目前单个评价准则的局限性,能较快且较好地进行特征选择。因此利用多个准则进行特征评价,并借助于信息融合技术成为实现有效特征选择的一条可行途径。……
登录APP查看全文
