支持向量機(support vector machine,SVM)主要解決分類和回歸問題,基于支持向量機的特征選擇可以有效地去除不相關(guān)的冗余特征,在新的更少的數(shù)據(jù)集上建模,提高支持向量機的效率和泛化性能。從評價標準、搜索方式和監(jiān)督信息等角度探究特征選擇的分類方法,論述基于支持向量機Wrapper、Embedded和Filter-Wrapper等3種特征選擇方法,進一步地探討支持向量機特征選擇方法未來的發(fā)展趨勢。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1特征選擇基本原理

自1997年起,有相關(guān)研究者將特征選擇的一般過程總結(jié)歸納為產(chǎn)生過程、評價函數(shù)、停止準則和驗證過程等4個部分[11-12],其基本原理示意圖如圖1所示。產(chǎn)生過程是根據(jù)不同的搜索策略從特征空間原數(shù)據(jù)中選擇初始的特征子集,較為常用的搜索策略包括遺傳算法和決策樹等。產(chǎn)生過程生成的特征子集....

本文編號：3976255