CAJ | 학술논문

在高维数据分类中,针对多重共线性、冗余特征及噪声易导致分类器识别精度低和时空开销大的问题,提出融合偏最小二乘(Partial Least Squares,PLS)有监督特征提取和虚假最近邻点(False Nearest Neighbors,FNN)的特征选择方法:首先利用偏最小二乘对高维数据提取主元,消除特征之间的多重共线性,得到携带监督信息的独立主元空间；然后通过计算各特征选择前后在此空间的相关性,建立基于虚假最近邻点的特征相似性测度,得到原始特征对类别变量解释能力强弱排序；最后,依次剔除解释能力弱的特征,构造出各种分类模型,并以支持向量机(Support Vector Machine,SVM)分类识别率为模型评估准则,搜索出识别率最高但含特征数最少的分类模型,此模型所含的特征即为最佳特征子集.3个数据集模型仿真结果均表明,由此法选择出的最佳特征子集与各数据集的本质分类特征吻合,说明该方法有良好的特征选择能力,为数据分类特征选择提供了一条新途径.
재고유수거분류중,침대다중공선성、용여특정급조성역도치분류기식별정도저화시공개소대적문제,제출융합편최소이승(Partial Least Squares,PLS)유감독특정제취화허가최근린점(False Nearest Neighbors,FNN)적특정선택방법:수선이용편최소이승대고유수거제취주원,소제특정지간적다중공선성,득도휴대감독신식적독립주원공간；연후통과계산각특정선택전후재차공간적상관성,건립기우허가최근린점적특정상사성측도,득도원시특정대유별변량해석능력강약배서；최후,의차척제해석능력약적특정,구조출각충분류모형,병이지지향량궤(Support Vector Machine,SVM)분류식별솔위모형평고준칙,수색출식별솔최고단함특정수최소적분류모형,차모형소함적특정즉위최가특정자집.3개수거집모형방진결과균표명,유차법선택출적최가특정자집여각수거집적본질분류특정문합,설명해방법유량호적특정선택능력,위수거분류특정선택제공료일조신도경.