特征选择方法记录

1.信息增益最大的问题还在于它只能考察特征对整个系统的贡献,而不能具体到某个类别上,这就使得它只适合用来做所谓“全局”的特征选择(指所有的类都使用相同的特征集合),而无法做“本地”的特征选择(每个类别有自己的特征集合,因为有的词,对这个类别很有区分度,对另一个类别则无足轻重)。
这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。
特征选择是从给定的特征集中选择一个子集,该子集中的特征能够最大程度地提供有效和相关的信息,以帮助解决特定的问题。Relief算法是一种经典的特征选择算法之一。 Relief算法基于的核心思想是:好的特征应该能够区分样本的类别,并且与其他特征具有较小的相关性。该算法通过计算特征之间的权重来识别具有较高重要性的特征。它根据特征之间的距离来进行评估,而这些距离则依赖于样本之间的距离。Relief算法通过近邻间的差异来判断一个特征对分类具有多大的影响力。 Relief算法的步骤如下: 1. 对于数据集中的每个样本,计算该样本与其他样本之间的距离,并记录最近邻和最远邻。 2. 对于每个特征,计算该特征在当前样本与最近邻样本之间的差异,以及该特征在当前样本与最远邻样本之间的差异。 3. 根据特征差异的大小来更新特征的权重。较大的差异意味着该特征对分类具有较大的贡献。 4. 重复步骤2和3,直到所有特征的权重都被更新。 5. 根据特征的权重来选择最重要的特征子集。 Relief算法具有以下优点: 1. 简单易实现:算法步骤简单清晰,易于理解和实现。 2. 不受特征缩放影响:Relief算法不受特征的缩放和变换的影响,对特征工程的要求较低。 3. 鲁棒性强:算法对噪声数据和异常值具有较强的鲁棒性。 然而,Relief算法也存在一些限制: 1. 对于高维数据,Relief算法可能会受到维度灾难的影响,导致效果不佳。 2. 算法在处理带有大量冗余特征的数据时可能会较为低效。 3. 算法没有考虑特征之间的交互作用,可能忽略了一些重要特征。 总的来说,Relief算法在特征选择领域具有一定的优势和适用性,但在实际应用中需要根据具体问题和数据特征的情况来选择合适的特征选择方法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值