学位论文 > 优秀研究生学位论文题录展示

基于谱回归的无监督特征选择算法研究

作　者: 黄少群
导　师: 刘昆宏
学　校: 厦门大学
专　业: 软件工程
关键词: 特征选择无监督谱回归
分类号: TP301.6
类　型: 硕士论文
年　份: 2014年
下　载: 1次
引　用: 0次
阅　读: 论文下载

内容摘要

随着现实世界中文本、图像、网络和基因数据等高维数据的广泛出现,人们发现在数据挖掘过程中并不是所有的特征都是重要的和有用的,在这类数据集中,有些特征是冗余的甚至是不相关的。为了提高数据挖掘的质量,常常先对数据进行预处理。特征选择是常用的数据预处理的方法之一,它是通过一定的算法去除这些冗余和不相关特征,选择原始数据的重要特征子集。降维选择后的特征能够提高聚类的速度以及优化聚类结果。特征选择可以根据特征选择的原始数据有无类标签分为有监督特征选择和无监督特征选择。有监督特征选择是根据特征与类标签和特征与特征间的相关性来判断特征子集的优劣。而现实中的数据多数是不带类信息的,因此无监督特征选择成为了当前的一个研究热点。传统的无监督特征选择方法在特征选择过程中改变了数据的流形,特征选择后的子集丢失了原有的类信息,失去了与原始数据的对应关系,导致聚类的效果不佳。本文利用流行学习和L1正则化的原理,提出一种基于谱回归的无监督特征选择方法,利用拉普拉斯矩阵映射获得与原始数据对应的特征空间数据,在此基础上进行拟合处理,并获得特征重要性系数。大量实验结果表明基于谱回归的方法对保存特征的类信息具有很好的效果。

全文目录

摘要  4-5
Abstract  5-6
目录  6-10
第一章绪论  10-17
  1.1 研究的背景和意义  10-14
  1.2 本文的研究内容  14-15
  1.3 本文的内容安排  15-17
第二章无监督特征选择概述  17-27
  2.1 特征选择概述  17-21
    2.1.1 特征选择的背景及意义  17
    2.1.2 特征选择算法概述  17-21
  2.2 无监督特征选择  21-26
    2.2.1 无监督特征选择的基本概述  21-22
    2.2.2 研究现状  22-23
    2.2.3 常见的几种无监督特征选择算法  23-26
  2.3 本章小结  26-27
第三章谱聚类概述  27-35
  3.1 谱聚类的简介  27
  3.2 谱聚类的理论分析  27-33
    3.2.1 谱聚类的算法原理  27-31
    3.2.2 谱聚类的几种常用方法  31-33
  3.3 谱聚类在特征选择中的应用  33-34
    3.3.1 流形学习  33
    3.3.2 谱聚类在特征选择中的应用  33-34
  3.4 本章小结  34-35
第四章基于谱回归的无监督特征选择算法  35-56
  4.1 算法原理  35-39
    4.1.1 数据的谱处理  35-37
    4.1.2 基数系数向量的学习  37
    4.1.3 基于系数向量的特征选择  37-39
  4.2 算法的时间复杂度  39-40
  4.3 算法Matlab代码实现  40-45
    4.3.1 拉普拉斯矩阵特征值求解的代码实现  40-43
    4.3.2 实验过程代码的实现  43-45
  4.4 实验结果与分析  45-54
    4.4.1 数据集  45-47
    4.4.2 特征选择与聚类  47-52
    4.4.3 参数的选择  52-54
  4.5 本章小结  54-56
第五章总结与展望  56-58
  5.1 工作总结  56-57
  5.2 工作展望  57-58
参考文献  58-61
致谢  61

基于谱回归的无监督特征选择算法研究

内容摘要

全文目录

相似论文