多视角特征选择和半监督支持向量机研究

发布时间：2024-01-27 13:27

　　随着社会日新月异的发展和科技的不断进步,人们通过互联网进行的信息交互越来越频繁,随之而来的是数据的爆炸式增长,如何准确高效的挖掘大数据中的有效信息逐渐成为人们关注的热点。不断增加的数据维度和规模带来了“维度灾难”、高计算复杂度、数据冗余以及昂贵的标签获取代价等问题。因此特征选择、半监督学习和无监督学习逐渐进入人们的视野。而且从单一的视角来分析问题往往是有局限性的,如果可以从多个视角来观察同一事物,并给出综合的评估,可以极大提升数据挖掘的有效性。以上述问题为切入点,本文着眼于事物的多面性以及关注数据的子空间结构信息,做出了如下工作和贡献:1.本文在第三章中提出了一种新的多视角无监督特征选择算法,该方法可以学习投影矩阵的全局稀疏解,并且通过使用一组用于评估特征重要程度的比例因子来调整最小二乘回归的回归系数,最终将比例因子嵌入到投影矩阵中,从而扩展了最小二乘回归模型。比例因子的引入为可以使用投影矩阵进行特征排序给出定义并提供了理论上的解释。参考特征权重比例因子的嵌入,同时可以将视角权重嵌入到投影矩阵中,使其对回归系数进行调整,实现对不同视角数据重要程度的度量,并且可以在优化出投影矩阵的同时自...

【文章页数】：53 页

【学位级别】：硕士

图2.1传统特征选择示意图

图3.1引入特征权重因子的特征选择示意图

图3.2不同算法对不同数据集选择不同百分比特征的Acc

图3.3DSSUFS在添加不同百分比噪声特征后的各数据集上的Acc

本文编号：3887052