|
|
1.
基于随机矩阵理论的高维数据特征选择方法
王妍, 杨钧, 孙凌峰, 李玉诺, 宋宝燕
计算机应用
2017, 37 (12):
3467-3471.
DOI: 10.11772/j.issn.1001-9081.2017.12.3467
传统特征选择方法多是通过相关度量来去除冗余特征，并没有考虑到高维相关矩阵中会存在大量的噪声，严重地影响特征选择结果。为解决此问题，提出基于随机矩阵理论（RMT）的特征选择方法。首先，将相关矩阵中符合随机矩阵预测的奇异值去除，从而得到去噪后的相关矩阵和选择特征的数量；然后，对去噪后的相关矩阵进行奇异值分解，通过分解矩阵获得特征与类的相关性；最后，根据特征与类的相关性和特征之间冗余性完成特征选择。此外，还提出一种特征选择优化方法，通过依次将每一个特征设为随机变量，比较其奇异值向量与原始奇异值向量的差异来进一步优化结果。分类实验结果表明所提方法能够有效提高分类准确率，减小训练数据规模。
参考文献 |
相关文章 |
多维度评价
|
|
