天文学中高维数据的特征选择
天体物理学
2011-04-11 v1
摘要
随着天文数据量呈指数级增长，天文数据的复杂性和维度也在迅速增加。从此类数据中提取信息成为一个关键且具有挑战性的问题。例如，某些算法仅能应用于低维空间，因此特征选择和特征提取成为重要课题。本文描述了特征选择与特征提取方法之间的区别，介绍了特征选择方法的分类体系及各方法的特性。我们展示了一项案例研究，比较了不同特征选择方法的性能与计算成本。对于过滤法（filter method），采用了 ReliefF 和 Fisher 过滤；对于包装法（wrapper method），选取了改进的 CHAID、线性判别分析（LDA）、朴素贝叶斯（NB）和 C4.5 作为学习器。样本应用结果表明，从计算成本的角度来看，过滤法优于包装法。此外，不同的学习算法结合适当的特征选择方法可能会获得更好的性能。
引用
@article{arxiv.0709.0138,
title = {Feature selection for high dimensional data in astronomy},
author = {H. Zheng and Y. Zhang},
journal= {arXiv preprint arXiv:0709.0138},
year = {2011}
}
评论
11, accepted by Advances in Space Research