基于有效距离的迭代特征选择

摘要 作为一项重要的降维技术，特征选择在模式识别和机器学习领域已经成为一个研究热点.现有的特征选择方法中，人们通常利用欧氏距离计算样本之间的相似性，而欧氏距离仅能反映样本之间的静态特性.最近，研究人员提出一种有效距离的概念，并证明有效距离可以反映出样本之间潜在的动态结构.因此提出一系列基于有效距离的迭代特征选择方法.具体地，本文首先根据稀疏表示算法计算有效距离.然后，根据得到的有效距离提出了三种新的迭代的特征选择方法，包括基于有效距离的迭代Laplacian Score算法（IterativeEDLS)和两种基于有效距离的迭代Sparsity Score算法（IterativeEDSS-1和IterativeEDSS-2).为验证本文提出方法的有效性，在十个UCI数据集上进行了分类的实验.实验结果表明，本文提出的基于有效距离的迭代特征选择方法比传统的基于欧氏距离的方法能取得更好的分类结果