文章原名为:Unsupervised Feature Selection Using Nonnegative Spectral Analysis
前人的研究基础为利用谱分析法进行特征聚类,然后进行特征选择,并且没有约束F的非负和正则
文章是同时进行特征聚类和特征选择,目标函数为:
其中,样本数为N;分类的类别数为C;特征数为d;F是聚类标签,N*C维的矩阵,F=[f1,f2,f3...fn]‘而后归一化的结果,如果fij非0,就表示第i个样本属于第j个类别。fi为C*1的行向量属于{0,1};比如 Y=[1,0;0,1;0,1],F=[1.0000 0;0 0.7071;0 0.7071];
W为特征选择矩阵(*N),W尽量行稀疏,Wij表示第j个样本的第i个特征,若W(i:)表示样本的第i个特征,趋近于0,则表示第i个特征与聚类标签矩阵F无关。
目标函数的第一部分的最小化,可以保证谱聚类的正确聚类,与标签标记的特征将会被选择;第三部分最小化,可以保证W的行稀疏,去除噪声和不相关项。
第二部分是F和W的互相调节,旨在学习聚类标签F和特征选择W矩阵。第四部分是保证F的正则。
第一部分:谱分析法,也叫特征