特征选择常用算法综述

1 综述

 

(1) 什么是特征选择

特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。

 

(2) 为什么要做特征选择

       在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：

• 特征个数越多，分析特征、训练模型所需的时间就越长。
• 特征个数越多，容易引起“维度灾难”，模型也会越复杂，其推广能力会下降。

 

特征选择能剔除不相关(irrelevant)或亢余(redundant )的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化了模型，使研究人员易于理解数据产生的过程。

 

 2 特征选择过程

 

2.1 特征选择的一般过程

 

       特征选择的一般过程可用图1表示。首先从特征全集中产生出一个特征子集，然后用评价函数对该特征子集进行评价，评价的结果与停止准则进行比较，若评价结果比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。选出来的特征子集一般还要验证其有效性。

       综上所述，特征选择过程一般包括产生过程，评价函数，停止准则，验证过程，这4个部分。

 

　　(1) 产生过程( Generation Procedure )

      　　 产生过程是搜索特征子集的过程，负责为评价函数提供特征子集。搜索特征子集的过程有多种，将在2.2小节展开介绍。

 

　　(2) 评价函数( Evaluation Function )     

      　　 评价函数是评价一个特征子集好坏程度的一个准则。评价函数将在2.3小节展开介绍。

 

　　(3) 停止准则( Stopping Criterion )

      　　 停止准则是与评价函数相关的，一般是一个阈值，当评价函数值达到这个阈值后就可停止搜索。

 

　　(4) 验证过程( Validation Procedure )

       　　在验证数据集上验证选出来的特征子集的有效性。

 

图1. 特征选择的过程 ( M. Dash and H. Liu 1997 )

 

2.2 产生过程

      

产生过程是搜索特征子空间的过程。搜索的算法分为完全搜索(Complete)，启发式搜索(Heuristic)，随机搜索(Random) 3大类，如图2所示。

 

 

 

 图2. 产生过程算法分类 ( M. Dash and H. Liu 1997 )

 

       下面对常见的搜索算法进行简单介绍。

 

 

2.2.1完全搜索

      

　　完全搜索分为穷举搜索(Exhaustive)与非穷举搜索(Non-Exhaustive)两类。