支持向量機(jī)(support vector machine,SVM)主要解決分類(lèi)和回歸問(wèn)題,基于支持向量機(jī)的特征選擇可以有效地去除不相關(guān)的冗余特征,在新的更少的數(shù)據(jù)集上建模,提高支持向量機(jī)的效率和泛化性能。從評(píng)價(jià)標(biāo)準(zhǔn)、搜索方式和監(jiān)督信息等角度探究特征選擇的分類(lèi)方法,論述基于支持向量機(jī)Wrapper、Embedded和Filter-Wrapper等3種特征選擇方法,進(jìn)一步地探討支持向量機(jī)特征選擇方法未來(lái)的發(fā)展趨勢(shì)。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1特征選擇基本原理

自1997年起,有相關(guān)研究者將特征選擇的一般過(guò)程總結(jié)歸納為產(chǎn)生過(guò)程、評(píng)價(jià)函數(shù)、停止準(zhǔn)則和驗(yàn)證過(guò)程等4個(gè)部分[11-12],其基本原理示意圖如圖1所示。產(chǎn)生過(guò)程是根據(jù)不同的搜索策略從特征空間原數(shù)據(jù)中選擇初始的特征子集,較為常用的搜索策略包括遺傳算法和決策樹(shù)等。產(chǎn)生過(guò)程生成的特征子集....

本文編號(hào)：3976255