資源描述：
《模糊聚類在特征選取中的應(yīng)用.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第44卷第6期2012年12月南京航空航天大學(xué)學(xué)報(bào)JournalofNanjingUniversityofAeronautics&Astronautics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V01．44No．6Dec．2012(1-南京航空航天大學(xué)理學(xué)院，南京，210016；2．安慶師范學(xué)院物理與電氣工程學(xué)院，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(jué)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，基于遞歸特征別除過(guò)程，提出了基于模糊迭代自組織數(shù)據(jù)分析技術(shù)
2、(Interactiveself—organizingdataanalysistechnique，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，以候選特征子集分類和聚類的接受者操作特征曲線下面積(Areaunderthereceiveroperatingcharacteristiccurve，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}模糊迭代自組織數(shù)捂分析技術(shù)；層次聚類；支持向量機(jī)；K近鄰中圈分
3、類號(hào)：TP391；Q812文獻(xiàn)標(biāo)識(shí)碼；A文章編號(hào)：1005—2615(2012)06—0881—07ApplicationofFuzzyClusteringAlgorithmonFeatureSelectionLiuQuanjinl“，ZhaoZhiminl，LiYingxin3(1．CollegeofScience，NanjingUniversityofAeronautics&Astronautics，Nanjing，210016，China；2．SchoolofPhysicsandElectronic，AnQingNormalUniversity，Anqing，246011，China；3
4、．InstituteofMachineVisionandMachineIntelligence，BeijingJingweiTextileMachineryNewTechnologyCo．，Ltd．，Beijing，100176，China)Abstract：Anewfeatureselectionmethodbasedonclusteringalgorithmisproposedtoselecteinforma～tirefeatures．First，category—unrelatedfeaturesarekickedoutaccordingtOBhattacharyyadistance．T
5、hen，basedontheprocessofrecursivefeatureelimination，flweighteddistancebetweensampleandtheclustercentergeneratedbythefuzzyinteractiveself—organizingdataalgorithm(ISODATA)isusedastheindexoffeatureforseparatingdifferentclasses．Finally，thecandidatefeaturesubsetwiththemaxi—mumareaunderthereceiveroperating
6、characteristiccurve(AUC)valueandaccuracyratebothinclassi～ficationandclusteringtestsisselectedastheoptimalfeaturesubset．Theproposedfeaturesubsetselec～tionmethodisappliedtofivegeneexpressionprofiledatasetsandexperimentresultsshowthatthese—lectedfeatureshavegoodperformanceintermsofbothclassificationand
7、clusteringmeasurements．Re—sultsdemonstratethattheproposedmethodiseffectiveforselectinginformativefeaturesfromhigh—·di—．mensionaldataset．Keywords：featureselection；fuzzyiteractiveself—organizingdataanal
