基于特征相关的谱特征选择算法

针对传统的谱特征选择算法只考虑单特征的重要性,将特征之间的统计相关性引入到传统谱分析中,构造了基于特征相关的谱特征选择模型。首先利用Laplacian Score找出最核心的一个特征作为已选特征,然后设计了新的特征组区分能力目标函数,采用前向贪心搜索策略依次评价候选特征,并选中使目标函数最小的候选特征加入到已选特征。该算法不仅考虑了特征重要性,而且充分考虑了特征之间的关联性,最后在2个不同分类器和8个UCI数据集上的实验结果表明:该算法不仅提高了特征子集的分类性能,而且获得较高的分类精度下所需特征子集的数量较少。

基于图谱的多标记特征选择算法

特征选择在传统的单标记问题中已经得到深入的研究,但是大多数传统的特征选择算法却无法用于多标记问题。这是因为多标记问题中的每一个数据样本都同时与多个类标相关联,此时需要设计新的指标来评价特征。并且由于多个类标之间通常存在一定的关联性,在设计特征选择算法时还需要对类标的结构进行建模以利用类标的关联信息。采用谱特征选择(spectral feature selection,SPEC)框架解决上述问题。SPEC所需的相似性矩阵和图结构由样本类标的Jaccard相似性来构建,它能反映类标间的关联性。此外,所提出的方法属于过滤器模型,它独立于分类算法且不需要将多标记问题转化为单标记问题来处理。在现实世界数据集上的实验验证了所提出算法的正确性和较好的性能。

基于谱聚类半监督特征选择的功能磁共振成像数据分类

针对功能磁共振成像(fMRI)数据的高维度小样本问题,提出谱聚类半监督特征选择(SS-FSSC)模型。首先利用先验脑区模板提取时间序列信号;然后选取皮尔逊相关系数与序统计量相关系数(OSCC)描述脑区间的功能连接特征,并对特征进行谱聚类;最后利用基于Constraint得分的特征重要性准则挑选出特征子集,并把这些子集输入支持向量机(SVM)分类器进行分类。实验通过在COBRE精神分裂症公开数据集上重复进行100次五折交叉验证,发现当保留特征数为152时,所提模型对精神分裂症得到最高平均准确率约为77%,最高准确率为95.83%。实验结果分析表明,模型仅保留16个功能连接特征进行分类器训练就能稳定达到70%以上的平均准确率,且所提模型得到的结果中功能连接对应的10个脑区中距状裂皮质(Intracalcarine Cortex)出现频次最高,符合现有对精神分裂症的研究状况。