隨著社會(huì)日新月異的發(fā)展和科技的不斷進(jìn)步,人們通過互聯(lián)網(wǎng)進(jìn)行的信息交互越來越頻繁,隨之而來的是數(shù)據(jù)的爆炸式增長,如何準(zhǔn)確高效的挖掘大數(shù)據(jù)中的有效信息逐漸成為人們關(guān)注的熱點(diǎn)。不斷增加的數(shù)據(jù)維度和規(guī)模帶來了“維度災(zāi)難”、高計(jì)算復(fù)雜度、數(shù)據(jù)冗余以及昂貴的標(biāo)簽獲取代價(jià)等問題。因此特征選擇、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)逐漸進(jìn)入人們的視野。而且從單一的視角來分析問題往往是有局限性的,如果可以從多個(gè)視角來觀察同一事物,并給出綜合的評(píng)估,可以極大提升數(shù)據(jù)挖掘的有效性。以上述問題為切入點(diǎn),本文著眼于事物的多面性以及關(guān)注數(shù)據(jù)的子空間結(jié)構(gòu)信息,做出了如下工作和貢獻(xiàn):1.本文在第三章中提出了一種新的多視角無監(jiān)督特征選擇算法,該方法可以學(xué)習(xí)投影矩陣的全局稀疏解,并且通過使用一組用于評(píng)估特征重要程度的比例因子來調(diào)整最小二乘回歸的回歸系數(shù),最終將比例因子嵌入到投影矩陣中,從而擴(kuò)展了最小二乘回歸模型。比例因子的引入為可以使用投影矩陣進(jìn)行特征排序給出定義并提供了理論上的解釋。參考特征權(quán)重比例因子的嵌入,同時(shí)可以將視角權(quán)重嵌入到投影矩陣中,使其對(duì)回歸系數(shù)進(jìn)行調(diào)整,實(shí)現(xiàn)對(duì)不同視角數(shù)據(jù)重要程度的度量,并且可以在優(yōu)化出投影矩陣的同時(shí)自...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

圖2.1傳統(tǒng)特征選擇示意圖

圖3.1引入特征權(quán)重因子的特征選擇示意圖

圖3.2不同算法對(duì)不同數(shù)據(jù)集選擇不同百分比特征的Acc

圖3.3DSSUFS在添加不同百分比噪聲特征后的各數(shù)據(jù)集上的Acc

本文編號(hào)：3887052