低秩约束的非线性属性选择算法

摘要 针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题，提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法（LRNFS）。首先，将每一维的属性映射到高维的核空间上，通过核空间上的线性属性选择去实现低维空间上的非线性属性选择；然后，对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理；最后，引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系，低秩考虑数据的全局信息进行子空间学习，自表达形式确定属性的重要程度。实验结果表明，相比于基于重新调整的线性平方回归（RLSR）半监督特征选择算法，所提算法进行属性选择之后作分类的准确率提升了2.34%。所提算法解决了数据在低维特征空间上线性不可分的问题，提升了属性选择的准确率