基于贝叶斯和谐度的特征选择算法

摘要：

特征选择是高维数据降维的一种关键技术.传统数据降维技术如PCA,只是转化数据的表达形式,不能表达数据的相关程度.近年来提出信息度量方法,使用评价函数表示数据的不确定性程度,虽然能较好地体现数据之间的相关程度,但并没有充分考虑选取的特征对整个样本空间的影响.针对传统方法的不足,提出一种基于贝叶斯和谐度特征选择算法.贝叶斯和谐度来自贝叶斯阴阳和谐学习理论,可以估计整个数据空间的联合概率分布,选取的特征能够较好地反应整个样本空间的变化.根据和谐度的变化来度量类之间的相似度从而得到冗余度较低的特征组合.与传统方法如ReliefF、FCBF等比较后发现,在取同样特征个数的情况下,和谐度度量得到的特征组合对数据分类更有效.

关键词：特征选择、filter方法、贝叶斯和谐度、降维

所属期刊栏目：51

分类号：TP181(自动化基础理论)

资助基金：科技部国际科技合作专项2013DFG12810;国家自然科学基金61175026;国家"十二五"科技支撑计划项目2012BAF12B11;浙江省自然科学基金重大项目D1080807;浙江省国际科技合作专项2013C24027

在线出版日期：2015-12-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：125-130