于磊；刘欢 通过相关性和冗余分析进行有效的特征选择。 （英文） Zbl 1222.68340号 J.马赫。学习。物件。 5, 1205-1224 (2004). 摘要：在数据具有数百或数千个特征的许多应用程序中，应用特征选择来减少特征的数量。现有的特征选择方法主要关注于寻找相关特征。在本文中，我们表明，仅凭特征相关性不足以有效地选择高维数据的特征。我们定义了特征冗余，并建议在特征选择中执行显式冗余分析。引入了一种新的框架，将相关性分析和冗余分析解耦。我们开发了一种基于相关性和冗余分析的方法，并与有代表性的方法进行了效率和有效性的实证研究。 引用于59文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：监督学习；特征选择；关联；冗余；高维性 PDF格式BibTeX公司 XML格式引用 \textit｛L.Yu｝和\textit｛H.Liu｝，J.Mach。学习。第51205-1224号决议（2004年；Zbl 1222.68340） 全文： 链接