信息熵就二进制的字符集在去掉冗余度后的二进制编码位数.冗余度是通过统计每个字符出现概率获得的。
信息熵:https://blog.csdn.net/xyisv/article/details/80273679?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.highlightwordscore&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.highlightwordscore
http://www.360doc.com/content/21/0930/22/7673502_997799360.shtml
特征:feature
相关特征:relevant feature
无关特征:irrelevant feature
特征选择:feature selection
冗余特征:redundant feature
去除冗余特征和无关特征
-
分析特征、训练模型所需的时间就越长,模型也会越复杂。
-
容易引起“维度灾难”,其推广能力会下降。
-
容易导致特征稀疏的问题,导致模型效果下降。
-
对于模型来说,可能会导致不适定的情况,即是解出的参数会因为样本的微小变化而出现大的波动
基于冗余分析的特征选择算法
http://html.rhhz.net/buptjournal/html/20170106.htm
三类特征选择方法
1.过滤式特征选择方法
Relief方法
选择前 k 个大的相关统计量对应的特征,或者大于某个阈值的相关统计量对应的特征即可。
(1)相关统计量
给定训练集{(x1,y1),(x2,y2)…(xm,ym)} ,对每个示例xi,Relief在xi的同类样本中寻找其最近邻xi,nh(猜中近邻),再从xi的异类样本中寻找其最近邻xi,nm(猜错近邻)
(2)统计量
统计量:一个向量,向量的每个分量是对其中一个初始特征的评价值
特征子集的重要性:子集中每个特征所对应的相关统计量之和。
(3)假设间隔
Relief 借用了“假设间隔”(hypothesis marginhypothesis margin)的思想,
在分类问题中,常常会采用决策面的思想来进行分类,“假设间隔”就是指在保持样本分类不变的情况下,决策面能够移动的最大距离
2.包裹式选择
3.嵌入式