1、计算机软件与理论专业优秀论文 机器学习中若干特征选择算法研究关键词：机器学习 特征选择算法 损失间隔 特征排序准则摘要：本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分
2、类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如Simba、Mitra 和 Reljef)更好的性能。正文内容本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征
3、。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择
4、方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征
5、选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特
6、征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为
7、特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法
8、，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析
9、特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(
10、如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析
11、。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻
12、分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。本文在分析特征选择相关性质的基础上，研究并设计了多种环境下特定的特征选择算法，而这些也是目前特征选择的研究热点。 主要结论： 1利用指数熵作为特征排序准则，并结合改进的模糊特征评价指标，设计了一种新的非监督特征选择方法，效果很好。 2将维数约简中两种典型方法(特征抽取与特征选择)相结合，利用 K 近邻聚类，设计一类基于主成分分析的特征选择方法，将没有实际意义的主成分投影到原始特征空间，选择关键的原始特征。 3
13、在深刻分析 K 近邻分类器的损失函数基础上，提出新的基于 K 近邻分类损失一间隔的特征选择评价准则和算法，并利用能量模型进行理论分析。实验结果表明该算法能获得比其它进行 K 近邻规则的特征选择算法(如 Simba、Mitra 和Reljef)更好的性能。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 1627550258 ，提供原格式文档。我们还可提供代笔服务，价格优惠，服务周到，包您通过。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌甸?*U 躆 跦?l,
14、墀 VGi?o 嫅#4K 錶 c#x 刔 彟 2Z 皙笜?D 剧珞 H 鏋 Kx 時 k,褝仆? 稀?i 攸闥-) 荮vJ 釔絓|?殢 D 蘰厣?籶(柶胊?07 姻Rl 遜 ee 醳 B?苒?甊袝 t 弟l?%G 趓毘 N 蒖與叚繜羇坯嵎憛?U?Xd* 蛥?-.臟兄+鮶 m4嵸/E 厤U 閄 r塎偨匰忓tQL 綹 eb?抔搉 ok 怊 J?l?庮 蔘?唍*舶裤爞 K 誵Xr 蛈翏磾寚缳 nE 駔殞梕 壦 e 櫫蹴友搇6 碪近躍邀 8 顪?zFi?U 钮 嬧撯暼坻7/?W?3RQ 碚螅 T 憚磴炬 B- 垥 n 國 0fw 丮“eI?a揦(?7 鳁?H?弋睟栴?霽 N 濎嬄! 盯 鼴蝔 4sxr?溣?檝皞咃 hi#?攊(?v 擗谂馿鏤刊 x 偨棆鯍抰Lyy|y 箲丽膈淢 m7 汍衂法瀶?鴫 C?Q 貖 澔?wC(?9m.Ek?腅僼碓 靔 奲?D| 疑維 d袣箈 Q| 榉慓採紤婏(鞄-h-蜪7I冑?匨+蘮.-懸 6 鶚?蚧?铒鷈?叛牪?蹾 rR?*t? 檸?籕
