[发明专利]基于Filter和Wrapper选择算法的特征选择方法在审
| 申请号： | 201810287707.3 | 申请日： | 2018-04-03 |
| 公开（公告）号： | CN108509996A | 公开（公告）日： | 2018-09-07 |
| 发明（设计）人： | 廖伟智;严伟军;阴艳超;张强;曹奕翎 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 成都虹盛汇泉专利代理有限公司 51268 | 代理人： | 王伟 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于Filter和Wrapper选择算法的特征选择方法，其包括导入全部特征子集，采用方差法筛选发散特征，采用Pearson相关系数法筛选非冗余特征，采用特征空间搜索方法生成新的特征子集，采用神经网络训练学习模型，构建特征子集的评价标准，输出特征子集。本发明结合了Filter选择算法和Wrapper选择算法的优点，利用二者的互补特性，提高了算法效率的同时，减少了计算成本。 | ||
| 搜索关键词： | 选择算法 特征子集 特征选择 筛选 神经网络训练 发散特征 方法生成 互补特性 评价标准 输出特征 算法效率 特征空间 非冗余 系数法 方差 构建 子集 搜索 学习 | ||
【主权项】：
1.一种基于Filter和Wrapper选择算法的特征选择方法，其特征在于，包括以下步骤：A、导入全部特征子集，设置初始参数；B、采用方差法计算数据集中每个特征的均值和方差，剔除特征不发散的特征；C、采用Pearson相关系数法计算步骤B筛选后特征变量与目标变量的Pearson相关系数，剔除冗余特征；D、将步骤C筛选后的全部特征子集作为完整的特征空间，采用改进的LVW特征选择算法进行处理；E、采用特征空间搜索方法生成新的特征子集；F、采用神经网络训练学习模型；G、采用交叉验证法计算步骤E生成的新的特征子集在步骤F生成的学习模型中产生的误差；H、将当前特征子集的误差作为评价标准比较步骤G得到的误差；I、判断当前特征子集是否为空集；若是，则将方差阈值递进一个方差步长、相关系数递进一个相关系数步长，返回步骤B；若否，则得到完成选择的特征子集。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810287707.3/，转载请声明来源钻瓜专利网。
