特征选择方法学习笔记(一)

本文介绍了特征选择方法mRMR,它基于最大相关度和最小冗余原则,属于filter方法,旨在兼顾速度和准确性。mRMR首先通过相关度筛选候选特征,再结合复杂方法进一步优化,以减少特征间的相互影响。这种方法在实际应用中表现出良好的鲁棒性和效率。
摘要由CSDN通过智能技术生成
     今天开始会持续学习一些state-of-art的特征选择方法,跟大家分享一下学习的心得和这些方法的主要思想,希望能对同志们的工作有所启发。
     首先我们看的是一篇2005年发表在PAMI(IEEE Transactions on Pattern Analysis and Machine Intelligence)上的文章《Feature Selection Based on Mutual Information: Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy》。之所以先看这篇是因为在实验中我首先跟这篇文章中的方法做的比较,发现这个里面提到的mRMR方法鲁棒性较好,在各个数据集上的分类准确率排名都能保持在前列,同时计算时间也较短。这也是我自己的方法首先挑战的对象。
     这篇文章中提出的方法叫“最小冗余最大相关度标准”(mRMR),按照特征选择方法的大类来看应该算是filter的方法。该类方法有个明显的优势就是速度快,但是往往容易忽略特征间的相互影响。文中提出的mRMR方法在一定程度上减小了这种忽略。文章首先用mRMR的方法进行特征选择初步的过滤选出最有表示力的候选特征,然后再结合其他复杂的如wrapper类的方法进行特征选择。这样既可以保证速度又能够提高准确率。文章也从理论上证明了最大相关度和最小冗余方法选取特征是有效、高效的(对证明感兴趣的同志们请参看论文,在此我们就品尝一下这个方法的主要思想)。
  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 19
    评论
评论 19
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