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