双向模糊粗糙散度度量的无监督特征选择

针对无监督混合数据，基于双向模糊粗糙散度度量，从样本和特征两个视角综合评估特征的冗余与相关性，从而选出能保持或提升分类与聚类性能的最优特征子集。

Hongtao, Gao · 杨雷 · 桑彬彬 · 袁中 · 李文涛 · 徐伟华 · Guoyin, Wang

Fuzzy Sets and Systems 2026

技术优势

全面考虑相关性和冗余

通过双向模糊粗糙散度度量同时评估特征相关性和冗余性，避免片面选择。

适用于混合数据

构建了面向无监督混合数据的Divergence-based Fuzzy Rough Set (DFRS)模型，能够处理数值型和符号型特征。

特征子集更小

实验表明在保持或提升分类和聚类性能的同时，所选特征数量更少。

应用场景

• 数据分析：从混合数据中自动筛选出关键特征，减少后续分析的计算负担和噪声。
• 数据预处理：作为预处理步骤，删除冗余和不相关特征，提高数据质量。
• 模式识别：在无标签情况下选取判别性特征，提升分类和聚类模型的准确率。