APP下载

融合K均值聚类和低秩约束的属性选择算法

2018-08-17杨常清

中文信息学报 2018年7期
关键词:分类利用优化

杨常清

(西安航空学院 材料工程学院, 陕西 西安 710077)

0 引言

高维特征虽然可以准确多样化地表现物体特性,但使用高维数据不仅增大存储空间,还增加运算复杂度。对高维数据进行属性约简,降低数据维度,挖掘数据内部具有代表性的低维属性,已成为机器学习的一个研究热点[1-2]。

属性约简的优点包括能降低处理时间和得到更具有泛化能力和更坚实的学习模型等[3-4]。常见的属性约简方法包含子空间学习和属性选择两种方法。子空间学习是把高维属性从高维空间投影到低维空间,并保持数据间的关联结构,而属性选择是从原始属性集中选择最能代表整个属性集的属性。利用多方向理论,学者们提出了各种属性选择算法。文献[5]将知觉理论赫姆霍兹原理作为特征选择的度量,用于文本分类的特征选择中,取得了较好的效果。文献[6]将类特定变换的新型语义平滑核融入支持向量机模型中, 提出了一种使用语义分类方法来构建高性能的半监督文本分类算法。文献[7] 将皮尔森相关系数(RRPC)的最大相关和最小冗余准则用于半监督学习方法中,利用增量搜索技术来选择最优特征子集,平衡了文本特征提取中冗余特征与计算量间的矛盾。文献[8]提出了一种基于图稀疏的自表达属性选择算法。文献[9]提出了一种基于稀疏学习的低秩属性选择算法,通过嵌入子空间学习方法来调整属性选择结果。文献[10]在经典粗糙集绝对约简增量算法的基础上,提出了一种快速属性选择算法,快速有效地对大规模数据集进行属性选择。……

登录APP查看全文

猜你喜欢

分类利用优化
利用min{a,b}的积分表示解决一类绝对值不等式
超限高层建筑结构设计与优化思考
民用建筑防烟排烟设计优化探讨
关于优化消防安全告知承诺的一些思考
分类算一算
一道优化题的几何解法
利用一半进行移多补少
利用数的分解来思考
Roommate is necessary when far away from home
教你一招:数的分类