隨著計算機技術(shù)和網(wǎng)絡技術(shù)的飛速發(fā)展,大數(shù)據(jù)和人工智能的浪潮也隨之而來,數(shù)據(jù)越來越多,數(shù)據(jù)的特征也隨之變得更加繁雜。當數(shù)據(jù)大量產(chǎn)生時,如何去處理這些數(shù)據(jù)就成了當下迫切需要解決的問題。在傳統(tǒng)單標記方法無法滿足現(xiàn)實需要的時候,多標記學習框架被提出,隨著越來越多專家學者的深入研究,更多的基于多標記學習的研究方法相繼被提出。特征選擇在解決數(shù)據(jù)高維性問題具有很好的效果,在原始特征空間的基礎上進行操作,去除冗余,得到一個性能優(yōu)越的特征子集。有效的提高分類器的分類性能,減少運算時間,提高算法的計算效率。但是這些傳統(tǒng)的特征選擇算法卻只能處理靜態(tài)的特征數(shù)據(jù),需要在運算前獲取整個特征空間,然后才能加以處理得到相應的特征子集。而現(xiàn)實生活中,特征空間往往是動態(tài)產(chǎn)生的,并實時增加變化的,這就導致了傳統(tǒng)的特征選擇算法無法處理這類流特征選擇問題�；谏鲜鰡栴},本文提出了兩種特征算法用以解決相應的特征選擇問題,主要內(nèi)容如下:(1)針對傳統(tǒng)特征選擇算法在刪除冗余特征,進行特征子集的選擇過程中,往往存在計算開銷大的問題,本文引入了Lasso特征選擇算法,用于快速處理高維數(shù)據(jù),選擇特征子集。此外鑒于傳統(tǒng)的信息熵不具有補的性質(zhì)... 

【文章來源】：安慶師范大學安徽省

【文章頁數(shù)】：50 頁

【學位級別】：碩士

【部分圖文】：

特征選擇流程圖

使用Friendmantest

【參考文獻】：
期刊論文
[1]基于鄰域粗糙集的大規(guī)模層次分類在線流特征選擇[J]. 白盛興,林耀進,王晨曦,陳晟煜.  模式識別與人工智能. 2019(09)
[2]Artificial Intelligence & Machine Learning in the Earth Sciences[J]. Norman MacLEOD.  Acta Geologica Sinica(English Edition). 2019(S1)
[3]機器學習隨機森林算法的應用現(xiàn)狀[J]. 杭琦,楊敬輝.  電子技術(shù)與軟件工程. 2018(24)
[4]一種利用局部標記相關性的多標記特征選擇算法[J]. 蔡亞萍,楊明.  南京大學學報(自然科學). 2016(04)
[5]基于粗糙集的多標記專屬特征學習算法[J]. 李華,李德玉,王素格,張晶.  小型微型計算機系統(tǒng). 2015(12)
[6]基于鄰域粗糙集的多標記分類特征選擇算法[J]. 段潔,胡清華,張靈均,錢宇華,李德玉.  計算機研究與發(fā)展. 2015(01)
[7]基于迭代Lasso的腫瘤分類信息基因選擇方法研究[J]. 張靖,胡學鋼,李培培,張玉紅.  模式識別與人工智能. 2014(01)
[8]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權(quán)文.  控制與決策. 2012(02)
[9]多標記學習的嵌入式特征選擇[J]. 葛雷,李國正,尤鳴宇.  南京大學學報(自然科學版). 2009(05)
[10]基于聚類和信息熵的特征選擇算法[J]. 李霞,蔣盛益,郭艾俠.  鄭州大學學報(理學版). 2009(01)

碩士論文
[1]面向代價敏感多標記數(shù)據(jù)的特征選擇研究[D]. 黃琴.江西農(nóng)業(yè)大學 2019
[2]基于互信息的多標簽特征選擇[D]. 張毅斌.西安工程大學 2019
[3]多標簽分類中流特征選擇算法研究[D]. 郭喜芝.南京師范大學 2018
[4]高維小樣本數(shù)據(jù)的互信息特征選擇方法研究[D]. 張凱.山西大學 2017
[5]特征選擇與特征學習算法研究[D]. 周琪.中國科學技術(shù)大學 2017



本文編號：2934131