文档介绍：独创性声明关于论文使用授权的说明期:如忆了、本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取中不包含其他人已经发表或撰写过的研究成果,也不包含本人为获得江南对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。本学位论文作者完全了解江南大学有关保留、使用学位论文的规定:江南大学有权保留并向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文,并且本人电子文档的内容和纸质论文的内容相一致。得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志签保密的学位论文在解密后也遵守此规定。导师签名:期:名:日
《磐
【摘要\特征选择是模式识别和数据挖掘领域中的关键环节之一,按照和后续分类算法结合的不同方式,特征选择算法可以分为嵌入式、封装式、过滤式三种模型。过滤式算法凭借其算法较强的通用性和较低的复杂度等优势成为研究领域的热门,涌现出了大量的基于过滤式模型的特征选择算法。但是模型的特征选择过程独立于分类过程,导致采用模型特征选择算法所选出的特征与后续分类算法的性能有较大的偏差,会产生一定程度上的错分。许多特征选择算法在进行特征评价时由于缺乏对特征间相关性的考虑而产生了特征冗余,使得算法的效率降低并由于特征冗余影响到分类识别率。这就要求我们提出有效的改进算法进一步的降低算法的错分率和去除特征子集中存在的特征冗余,最终得到无论是基于分类还是特征相关性都有效的特征子集。本文从这两方面着手展开工作,主要包括以下三个方面的内容:⒓1人惴ㄊ堑湫偷腇P偷奶卣餮≡袼惴ǎ盟惴ú捎靡恢秩碌牡绞直接计算特征子集一级的得分,以此为依据得到最终的特征子集。算法区别于计算特征一级得分的传统算法,在较短的时间内得到较为优秀的特征子集,但是由于模型算法的缺陷,该算法得到的特征子集所指导的分类会产生一定程度上的错分。本文采用一种基于错分区域的特征选择算法对迹比算法进行改进,通过特征空间的映射在当前特征空间的补空间中寻找对正确区分错分样本贡献最大的特征,加入到特征子集中构成最优特征子集。该整合后的新特征选择算法有效的降低了错分率,在基于错分区域的处理中,⒔惺笛楸冉狭街指慕惴的性能。⑽A擞行вΧ蕴卣魅哂辔侍猓疚亩蕴卣餮≡裎侍庵刑卣骷涞南喙匦院吞卣饔类的相关性做了详细的研究,给出了传统的基于特征相关性的特征选择算法的步骤和流程。并采用基于劾嗟姆撬阉魈卣餮≡袼惴ǘ约1人惴ń懈慕蕴卣骷湎喙性度量为出发点,剔除特征子集中的冗余特征,在保证分类算法识别率的前提下有效地降低了数据维度。算法经由肆呈莺蚒数据集的、验证,证明了改进算法有效的去除了特征冗余,程度略有不同。⒈疚亩訰惴ń辛搜芯亢透慕痈纳拼矸趾吞蕹哂嗔礁鼋嵌榷运惴进行改进。算法是典型的算法,其选出的特征子集在指导后续分类算法时会产生错分数据,为了对其算法进行改进,我们使用基于错分区域的—惴ǘ源矸区域进行处理;算法在特征的选择过程中强调特征与类的关联,并以此作为特征评价的标准,算法在选择特征的时候缺少对特征之间关联性的考虑,我们结合之前的改进算法提出了一种双重改进挠呕惴ǎü齍数据集的实验证明新算法的特征子集优于原始单一改进算法的特征子集。关键词:特征选择;迹比算法;特征相关度;卣餮≡袼惴ǎ籖惴‘
.—,...瓵甪甤瑆甎甌畐甊畐甧猚琤甆:,
录摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..特征选择算法概述及其研究意义⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.特征选择算法及分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...卣餮≡≡裱芯康睦酚胂肿础本文的研究工作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本文研究内容安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.第二章特征选择框架及基本特征选择算法介绍⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..特征选择各要素分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯....⋯⋯⋯⋯⋯⋯⋯...⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..种Фń缪≡袼惴ā璤⋯⋯⋯⋯⋯⋯⋯⋯..蚯凹跋蚝笏阉餮≡..⋯⋯⋯⋯⋯⋯⋯⋯⋯..:⋯⋯⋯⋯⋯⋯⋯本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..第三章迹比准则算法及其改进算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..引言⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯“⋯⋯⋯⋯⋯⋯⋯⋯⋯.迹比准则特征选择算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯...扑闾卣饕患兜梅值拇程卣餮≡袼