數(shù)據(jù)挖掘中的特征選擇(參考版)
2025-05-13 03:04本頁面
【正文】 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 40 。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 39 設(shè)想 ? 結(jié)合某種特征選擇和智能優(yōu)化算法研究新型的兩階段特征選擇方法。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 38 ? 結(jié)合某種基于標(biāo)準(zhǔn)化互信息和遺傳算法提出所謂的兩階段特征選擇方法。低維空間的聚類結(jié)果又可以通過某種機制構(gòu)造出原數(shù)據(jù)集上的類。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 37 成果 ? 結(jié)合 LDA與二分 K均值聚類的特點，提出了針對高維數(shù)據(jù)集的自適應(yīng)聚類方法。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 36 ? 基于核函數(shù)的非 線性降維方法有： ? 基于核函數(shù)的 主成分分析 (KPCA)， 基于核函數(shù) 獨立成分 (KICA)， 基于核函數(shù)的 判別分析 (KLDA) 。而非線性降維方法又可分為基于核函數(shù)和基于特征值的方法。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 34 ? 數(shù)據(jù)降維是指通過線性或非線性映射將樣本空間從高維空間映射到低維空間。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 32 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 33 數(shù)據(jù)降維 ? 數(shù)據(jù)降維是指通過線性或非線性映射將樣本空間從高維空間映射到低維空間。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 30 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 31 ? 過濾模型與包裹模型的根本區(qū)別在于對學(xué)習(xí)算法的使用方式 。 在初始特征空間內(nèi)進行多次搜索 ， 直至得到最佳的特征子集 。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 28 ? 子集搜索算法通過在一定的度量標(biāo)準(zhǔn)指導(dǎo)下遍歷候選特征子集，對每個子集進行優(yōu)劣評價，當(dāng)搜索停止時即可選出最優(yōu)（或近似最優(yōu)）的特征子集。 而經(jīng)驗證明除了無關(guān)特征對學(xué)習(xí)任務(wù)的影響 ， 冗余特征同樣影響學(xué)習(xí)算法的速度和準(zhǔn)確性 ， 也應(yīng)盡可能消除冗余特征 。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 27 ? 特征權(quán)重算法對每個特征指定一個權(quán)值 ， 并按照它與目標(biāo)概念的相關(guān)度對其進行排序 ， 如果一個特征的相關(guān)度權(quán)值大于某個閾值 ， 則認為該特征優(yōu)秀 ， 并且選擇該特征 。 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 25 2021/6/14 數(shù)據(jù)挖掘中的特征選擇 26 ? 基于過濾模型的算法
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1