显式特征选择算法

聚类精度提升超5%

该算法在目标特征子空间中学习显式选择矩阵和自适应图，更好地保留局部流形结构，提升无监督特征选择性能。

Miao, Jianyu · Jingjing, Zhao · 杨铁军 · 樊超 · 田英杰 · 石勇 · 徐明亮

Expert Systems with Applications 2024

参数信息

聚类精度平均提升

5.28 %

归一化互信息平均提升

5.79 %

技术优势

更直接有效

显式选择矩阵和内在结构都在目标特征子空间中学习，方法更直接，效果更好。

保留局部结构

考虑局部一致性，能更好地保留低维流形结构。

自适应图学习

不使用预定义的相似度矩阵，而是通过学习获得自适应图，更贴合数据。

挖掘聚类结构

对图施加秩约束，以挖掘数据的聚类结构，提升聚类任务性能。

应用场景

• 高维数据分析：过滤冗余和不相关特征，提升高维数据分析的任务性能。
• 数据预处理：作为数据预处理步骤，为后续任务提供精简有效的特征子集。
• 模式识别：通过选择判别特征并保留流形结构，提升模式识别中的聚类精度。
• 机器学习：为机器学习模型提供更高质量的特征输入，增强学习性能。