FSMJ：用于文本分类的最大 Jensen-Shannon 散度特征选择
机器学习
2016-06-22 v1 机器学习
摘要
在本文中，我们提出了一种基于 Jensen-Shannon (JS) 散度的新型封装式特征选择方法，称为最大 JS 散度特征选择（FSMJ），用于文本分类。与大多数现有的特征选择方法不同，所提出的 FSMJ 方法基于实值特征，与常规方法中使用的二值特征相比，实值特征为判别提供了更多信息。我们证明 FSMJ 是一种贪心方法，并且当选择更多特征时，JS 散度单调增加。我们在真实数据集上进行了多次实验，与用于文本分类的最先进特征选择方法进行了比较。所提出的 FSMJ 方法的优越性能证明了其有效性，并进一步表明了其在数据挖掘上的广泛应用潜力。
引用
@article{arxiv.1606.06366,
title = {FSMJ: Feature Selection with Maximum Jensen-Shannon Divergence for Text Categorization},
author = {Bo Tang and Haibo He},
journal= {arXiv preprint arXiv:1606.06366},
year = {2016}
}
备注
8 pages, 6 figures, World Congress on Intelligent Control and Automation, 2016