李素姝，王士同，李 滔

江南大学 数字媒体学院，江苏 无锡 214122

基于双模糊信息的特征选择算法*

李素姝+，王士同，李 滔

江南大学 数字媒体学院，江苏 无锡 214122

在对传统特征选择算法进行研究的基础上，提出了一种基于双模糊信息的特征选择算法（feature selection algorithm based on doubly fuzziness information，FSA-DFI）。第一种模糊体现在对最小学习机（least learning machine，LLM）进行模糊化后得到模糊最小学习机（fuzzy least learning machine，FUZZYLLM）中；另一种模糊则是在基于贡献率模糊补充这一方法中体现的，其中贡献率高的特征才可能被选入最终的特征子集。算法FSA-DFI是将FUZZY-LLM和基于贡献率的模糊补充方法结合得到的。实验表明，和其他算法相比，所提特征选择算法FSA-DFI能得到更好的分类准确率、更好的降维效果以及更快的学习速度。

特征选择；双模糊；最小学习机；模糊隶属度；模糊补充

1 引言

大数据的兴起需要更多性能优良的机器学习算法和特征选择新方法。特征选择的目标是为了找到具有代表性的特征子集，能表示出整个数据域的特性。在一个典型的特征选择方法中，包括产生候选子集、评估子集、终止选择以及验证子集是否有效这几步。

对特征选择算法的研究最早可以追溯到20世纪60年代，当时的研究领域主要是在统计学和信号处理方向，涉及到的特征也很少。90年代以来，对大规模数据的预处理问题不断涌现，原有的特征选择算法已不能满足需求，许多学者开始研究新算法。基于互信息的特征选择（mutual information-based feature selection，MIFS）算法[1]是由Battiti给出的一种考虑特征之间相关性的方法，此种方法需要预先指定与特征冗余程度有关的参数。……