顾翔元，郭继昌，李重仪，肖利军

(天津大学电气自动化与信息工程学院，天津 300072)

计算机技术的快速发展，使得各种数据量快速增长，智能信息处理所需数据集的特征维数也越来越高.数据集特征维数的增加，会带来分类准确率下降、计算耗时多等问题．因此有必要进行特征选择[1-4].

特征子集选择是特征选择的一种重要方法[5]，它利用某种度量标准对特征与类标签的相关性以及特征间的冗余性进行度量，消除不相关特征和冗余特征．度量标准是影响特征子集选择算法效果好坏的关键．

文献[6-7]利用互信息实现了特征选择，互信息是一种常用的度量标准，它具有可描述特征间的非线性相关性和空间变换不变性等优点[8]，但其优先选取的特征不能保证取得较好的分类效果．文献[9]对互信息进行了归一化处理，提出了对称不确定性(symmetric uncertainty，SU)度量标准．FCBF[10]和FCBF-MIC 算法[11]利用对称不确定性进行了特征子集选择．FCBF 算法采用对称不确定性度量特征与类标签的相关性以及特征间的冗余性，并将特征与类标签的对称不确定性和特征间对称不确定性做比较来消除冗余特征．FCBF-MIC 算法分别采用对称不确定性和最大信息系数对特征与类标签的相关性以及特征间的冗余性进行度量，并利用特征与类标签的最大信息系数和特征间的最大信息系数的比较结果来消除冗余特征．由于仅利用对称不确定性或最大信息系数等某一种度量标准来评价冗余特征……