现存的数据提取算法, 大都以方差贡献率作为评价准则, 来衡量特征提取的效果.
然而方差贡献率注重的是样本相关矩阵特征值的性质, 并不能顾及到信息的度量问题 …

本文总结并提出了较为完备的特征提取定义. 根据特征子集形成过程将特征选择分为穷举式,
启发式和随机式三类; 根据特征评价标准将特征选择分为距离测度, 信息测度, 相关性测度 …

特征选择旨在从原始集合中选择一个规模较小的特征子集, 该子集能够在数据挖掘和机器学习
任务中提供与原集合近似或者更好的表现. 在不改变特征物理意义的基础上 …

特征选择是模式识别领域中最重要的环节, 也是最根本的论题. 论文从随机信号的傅立叶分析中
自相关函数与谱密度函数之间的对应关系出发, 提出了一种基于自相关函数的特征选择方法 …

特征选择算法主要分为fiher 和wrapper 两大类, 并已提出基于不同理论的算法模型,
但依然存在算法处理能力不强, 子集分类精度不高等问题. 基于模糊粗糙集的信息熵模型提出 …

特征选择问题是机器学习和模式识别中的一个重要问题, 然而, 在实际应用中,
由于没有将特征选择与特征提取过程统一考虑, 只注重特征本身的分类性能 …

针对分类属性数据, 基于信息熵, 提出一种度量特征重要程度的定义, 结合聚类分析,
提出一种无指导的特征选择方法. 该方法时间复杂度与数据集的大小和特征个数近似成线性关系 …

为了证实核主成分分析在特征提取中的优越性, 利用支持向最机作为分类器,
以主成分分析和核主成分分析作为特征提取的工具, 以分类器的分类性能作为方案优劣的评判 …

特征选择是机器学习和模式识别等领域的重要问题之一. 针对高维数据, 提出了一种基于Fisher
准则和特征聚类的特征选择方法. 首先基于Fisher 准则, 预选出鉴别性能较强的特征子集 …

针对传统特征选择算法只专注于特征类相关性或者特征冗余性的问题, 提出一种基于条件互信息
的特征选择算法. 该算法采用k-means 的基本思想聚类特征, 并从中选出类相关度最大的特征 …