基于稀疏学习的低秩属性选择算法

发布时间：2018-03-08 10:01

  本文选题：线性回归　切入点：线性判别分析　出处：《计算机工程与应用》2017年10期 　论文类型：期刊论文

【摘要】：针对回归模型在进行属性选择未考虑类标签之间关系从而导致回归效果不理想,提出了一种新的具有鲁棒性的低秩属性选择算法。具体为,在线性回归的模型框架下,通过低秩约束来考虑类标签间的相关性和通过稀疏学习理论中的l_(2,p)-范数来考虑属性间的关联结构,以此去除不相关的冗余属性的影响;算法通过嵌入子空间学习方法(线性判别分析(LDA))来调整属性选择结果。经实验验证,提出的属性选择算法在六个公开数据集上的效果均优于四种对比算法。
[Abstract]:In view of the fact that the regression model does not consider the relationship between class labels in attribute selection, a new low rank attribute selection algorithm with robustness is proposed, which is based on the linear regression model. The correlation between class labels is considered by low rank constraints and the correlation structure between attributes is considered by using the LS-norm of sparse learning theory, so as to remove the influence of irrelevant redundant attributes. The algorithm adjusts the result of attribute selection by means of embedded subspace learning (LDAA). The experimental results show that the proposed algorithm is more effective than the four contrast algorithms on six open datasets.
【作者单位】： 广西师范大学广西多源信息挖掘与安全重点实验室;广西区域多源信息集成与智能处理协同创新中心;广西钦州学院;
【基金】：国家自然科学基金(No.61170131,No.61450001,No.61263035,No.61363009,No.61573270) 广西自然科学基金(No.2012GXNSFGA060004,No.2015GXNSFCB139011) 广西研究生教育创新计划项目(No.YCSZ2016046,No.XYCSZ2017064)
【分类号】：O212.1;TP181

【相似文献】

相关期刊论文 前6条

1 胡煜;;线性判别分析和降维方法应用于基因芯片数据分析[J];甘肃联合大学学报(自然科学版);2008年01期

2 杨昔阳;;基于模糊线性判别分析的控制规则约简[J];泉州师范学院学报;2010年06期

3 李天恩;何桢;;基于改进的线性判别分析识别重叠并发的双故障[J];工业工程;2012年05期

4 王晓慧;;线性判别分析与主成分分析及其相关研究评述[J];中山大学研究生学刊(自然科学、医学版);2007年04期

5 田时芸,刘子云;利用测井资料判别油水层时几种判别分析方法的判别效果比较[J];江汉石油学院学报;1983年01期

6 ;[J];;年期

相关博士学位论文 前1条

1 潘志斌;半监督排序的若干关键问题研究[D];华中科技大学;2014年

相关硕士学位论文 前1条

1 林轩;几种分类问题的研究[D];吉林大学;2015年

，

本文编号：1583423