基于改进的f-score与支持向量机的特征选择方法

？将传统f-score度量样本特征在两类之间的辨别能力进行推广，提出了改进的f-score，使其不但能够评价样本特征在两类之间的辨别能力，而且能够度量样本特征在多类之间的辨别能力大小。以改进的f-score作为特征选择准则，用支持向量机(svm)评估所选特征子集的有效性，实现有效的特征选择。通过uci机器学习数据库中六组数据集的实验测试，并与svm、pca+svm方法进行比较，证明基于改进f-score与svm的特征选择方法不仅提高了分类精度，并具有很好的泛化能力，且在训练时间上优于pca+svm方法。