基于稀疏特征图的无监督特征选择自动冗余特征去除
机器学习
2017-07-04 v2
摘要
存在于高维数据集中的冗余特征总是影响学习和挖掘算法的性能。如何检测并去除它们是机器学习和数据挖掘研究中的一个重要课题。在本文中，我们提出一种基于图的方法，针对高维数据自动发现并去除那些冗余特征。基于稀疏学习的无监督特征选择框架，引入稀疏特征图（SFG）不仅建模两个特征之间的冗余，而且揭示两组特征之间的组冗余。利用SFG，我们可以将整体特征划分为不同组，并通过去除检测到的冗余特征改善数据的内在结构。凭借准确的数据结构，可获得质量指示向量，以提升现有无监督特征选择算法（如多簇特征选择（MCFS））的学习性能。我们在基准数据集上的实验结果表明，所提出的SFG和特征冗余去除算法能一致地改善无监督特征选择算法的性能。
引用
@article{arxiv.1705.04804,
title = {Automatically Redundant Features Removal for Unsupervised Feature Selection via Sparse Feature Graph},
author = {Shuchu Han and Hao Huang and Hong Qin},
journal= {arXiv preprint arXiv:1705.04804},
year = {2017}
}
备注
correct several typo and format issues