[发明专利]一种特征选择方法及设备

权利要求书

1.一种特征选择方法，其特征在于，所述特征选择方法应用于数据库知识发现，所述特征选择方法包括：

获取针对目标事件的样本数据中包含的多个数据特征，计算所述多个数据特征中各数据特征之间的独立性概率；其中，目标事件的样本数据是从数据库中获取到的；所述目标事件为购物软件中对某一物品被购买的事件，所述多个数据特征包括购买用户的性别、年龄段、月消费水平和购买时间段；

根据所述各数据特征之间的独立性概率，对所述多个数据特征进行聚类处理以生成至少一个特征聚类分组；

按照预设特征选择规则从所述至少一个特征聚类分组中的其中一个特征聚类分组中选择预设数量的目标数据特征，并将所述预设数量的目标数据特征确定为所述目标事件的数据特征集合；

其中，

所述计算所述多个数据特征中各数据特征之间的独立性概率，包括：

获取所述多个数据特征中的各数据特征包含的至少两个类别；

在所述多个数据特征的样本数据中确定所述各数据特征包含的类别数和所述各数据特征的每个类别对应的样本数据的数量；

根据第一数据特征的类别数、第二数据特征的类别数、所述第一数据特征的每个类别对应的样本数据的数量和所述第二数据特征的每个类别对应的样本数据的数量，计算所述第一数据特征和所述第二数据特征之间的独立性概率；独立性概率为性别、年龄段、月消费水平和购买时间段中任意两个特征之间的独立性概率；独立性概率的计算方式采用向量空间模型或卡方校验方式；

其中，所述第一数据特征为所述多个数据特征中的任一个数据特征，所述第二数据特征为所述多个数据特征中除了所述第一数据特征之外的任一个数据特征。

2.根据权利要求1所述的方法，其特征在于，所述获取所述多个数据特征中的每个数据特征包含的至少两个类别，包括：

若所述多个数据特征中存在样本数据的类型为连续型数据的数据特征时，对所述连续型数据的数据特征的样本数据进行离散化，以生成所述连续型数据的数据特征包含的至少两个类别。

3.根据权利要求2所述的方法，其特征在于，所述根据第一数据特征的类别数、第二数据特征的类别数、所述第一数据特征的每个类别对应的样本数据的数量和所述第二数据特征的每个类别对应的样本数据的数量，计算所述第一数据特征和所述第二数据特征之间的独立性概率，包括：

按照卡方校验方法，并采用第一数据特征的每个类别对应的样本数据的数量和第二数据特征的每个类别对应的样本数据的数量，计算表示所述第一数据特征和所述第二数据特征之间的偏离程度的统计量；

根据所述第一数据特征的类别数和所述第二数据特征的类别数，确定所述第一数据特征和所述第二数据特征之间的自由度；

获取所述自由度对应的卡方分布，根据所述统计量计算所述第一数据特征和所述第二数据特征之间的独立性概率。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述各数据特征之间的独立性概率，对所述多个数据特征进行聚类处理以生成至少一个特征聚类分组，包括：

检测所述第一数据特征和所述第二数据特征之间的独立性概率是否小于预设阈值；

若是，则计算所述第一数据特征和所述第二数据特征之间相关度；

若否，则确定所述第一数据特征和所述第二数据特征之间的相关度为默认值；

根据所述第一数据特征和所述第二数据特征之间相关度，对所述多个数据特征进行聚类处理以生成至少一个特征聚类分组。

5.根据权利要求4所述的方法，其特征在于，所述计算所述第一数据特征和所述第二数据特征之间相关度，包括：

根据所述第一数据特征的类别数、所述第二数据特征的类别数、所述第一数据特征的每个类别对应的样本数据的数量和所述第二数据特征的每个类别对应的样本数据的数量，计算所述第一数据特征和所述第二数据特征之间效应量，并将所述效应量设定为所述第一数据特征和所述第二数据特征之间相关度。