資源描述：
《模糊聚類在特征選取中應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、李求實(shí)等：平衡IO和CPU的XML關(guān)鍵詞檢索125模糊聚類在特征選取中的應(yīng)用劉全金1,2,趙志敏1,李穎新3（1.南京航空航天大學(xué)理學(xué)院,江蘇南京210016；2.安慶師范學(xué)院物理與電氣工程學(xué)院，安徽安慶246011；3.北京經(jīng)緯紡機(jī)新技術(shù)有限公司機(jī)器視覺與智能研究所,北京100176）摘要：提出了一種基于模糊聚類算法的高維特征選取方法。首先，利用Bhattacharyya距離過(guò)濾樣本類別無(wú)關(guān)的特征；然后，基于遞歸特征剔除過(guò)程，提出了基于模糊ISODATA聚類方法，以樣本與聚類中心的加權(quán)距離作為可分性指標(biāo)，產(chǎn)生候選特征子集；最后，以候選特征
2、子集分類和聚類的AUC值和正確率作為目標(biāo)函數(shù)，確定最佳特征子集。將該方法用于選取5個(gè)基因表達(dá)譜數(shù)據(jù)集的特征基因，結(jié)果顯示該方法所選特征具有較好的分類和聚類能力，說(shuō)明了提出的特征選取方法的有效性。關(guān)鍵詞：特征選取;模糊ISODATA;層次聚類;支持向量機(jī);K近鄰ApplicationofFuzzyClusteringAlgorithmonfeatureselectionQuanjinLiu1,2,ZhiminZhao1,Ying-XinLi3（1.CollegeofScience,NanjingUniversityofAeronauticsa
3、ndAstronautics,Nanjing,210016,China;2.DepartmentofPhysics,AnQingNormalCollege,Anqing,246011,China;3.InstituteofMachineVisionandMachineIntelligence,BeijingJingweiTextileMachineryNewTechnologyCo.,Ltd.,Beijing100176,China）Abstract:Anewfeatureselectionmethodbasedonclusteringal
4、gorithmisproposedtoselectinginformativefeatures.First,category-unrelatedfeaturesarekickedoutaccordingtoBhattacharyyadistance.Then,basedontheprocessofrecursivefeatureelimination,aweighteddistancebetweensampleandtheclustercentergeneratedbythefuzzyInteractiveSelf-OrganizingDa
5、taAlgorithm(ISODATA)isusedastheindexoffeatureforseparatingdifferentclasses.Finally,thecandidatefeaturesubsetwiththemaximumAUCvalueandaccuracyratebothinclassificationandclusteringtestsisselectedastheoptimalfeaturesubset.Theproposedfeaturesubsetselectionmethodisappliedto5gen
6、eexpressionprofiledatasetsandexperimentresultsshowthattheselectedfeatureshavegoodperformanceintermsofbothclassificationandclusteringmeasurements.Thisdemonstratesthattheproposedmethodiseffectiveforselectinginformativefeaturesfromhighdimensionaldataset.Keywords:featureselect
7、ion;fuzzyISODATA;Hierachicalclustering;Supportvectormachine;K-nearestneighbor文獻(xiàn)標(biāo)識(shí)碼:A中圖分類號(hào):TP391,Q81271引言從高維數(shù)據(jù)中選出與類別相關(guān)的特征是機(jī)器學(xué)習(xí)和模式分類的重要一步，特征選取方法的優(yōu)劣將影響到分類和聚類結(jié)果[1,2]，選取的特征應(yīng)該同時(shí)具有較強(qiáng)的分類和聚類能力。filter和wrapper是兩種常用的高維數(shù)據(jù)集的特征選取手段[3]。Filter方法利用可分性指標(biāo)評(píng)定特征的重要性，選取有效的類別特征，但這種可分性指標(biāo)僅從單個(gè)特征出發(fā)，沒有
8、考慮特征間的相互關(guān)系，所以選取的特征并非最優(yōu)[4,5]7。wrapper方法則圍繞學(xué)習(xí)算法，根據(jù)該算法執(zhí)行情況選取相關(guān)的特征，這種方法能夠取得比f(wàn)ilter方法更優(yōu)的結(jié)果[6,7
