非负谱分析用于特征选择

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