类别信息监督下的特征选择算法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第14-22页 |
| 第一节 引言 | 第14-15页 |
| 第二节 研究背景 | 第15-18页 |
| 1.2.1 特征选择概述 | 第15-17页 |
| 1.2.2 特征选择研究面临的挑战 | 第17-18页 |
| 第三节 研究内容和创新点 | 第18-20页 |
| 第四节 文章组织结构 | 第20-22页 |
| 第二章 相关工作 | 第22-50页 |
| 第一节 特征选择框架 | 第22-24页 |
| 第二节 特征搜索策略 | 第24-28页 |
| 第三节 特征评价准则 | 第28-37页 |
| 2.3.1 单特征评价准则 | 第28-33页 |
| 2.3.2 特征子集评价准则 | 第33-37页 |
| 第四节 特征选择模型 | 第37-48页 |
| 2.4.1 过滤模型 | 第38-42页 |
| 2.4.2 封装模型 | 第42-45页 |
| 2.4.3 嵌入模型 | 第45-48页 |
| 第五节 本章小结 | 第48-50页 |
| 第三章 基于最大化独立类别信息的特征选择模型 | 第50-82页 |
| 第一节 研究必要性与本章贡献 | 第50-55页 |
| 第二节 基于互信息的特征选择方法 | 第55-57页 |
| 第三节 特征的独立类别信息 | 第57-61页 |
| 3.3.1 定义 | 第57-59页 |
| 3.3.2 与冗余信息和新分类信息的关系 | 第59-60页 |
| 3.3.3 松散上界 | 第60-61页 |
| 第四节 最大化独立类别信息的特征选择方法 | 第61-65页 |
| 3.4.1 定义和性质 | 第61-63页 |
| 3.4.2 与现有互信息准则的关系 | 第63-65页 |
| 第五节 实验结果与分析 | 第65-79页 |
| 3.5.1 噪声特征测试 | 第66-67页 |
| 3.5.2 噪声样例测试 | 第67-70页 |
| 3.5.3 分类性能测试 | 第70-77页 |
| 3.5.4 参数敏感度测试 | 第77页 |
| 3.5.5 与非互信息方法对比 | 第77-79页 |
| 第六节 本章小结 | 第79-82页 |
| 第四章 基于保留类别可分性信息的特征选择模型 | 第82-108页 |
| 第一节 研究必要性与本章贡献 | 第82-87页 |
| 第二节 特征分类能力向量化表示 | 第87-93页 |
| 4.2.1 特征的分类偏好 | 第87-89页 |
| 4.2.2 特征的分类绩效 | 第89-92页 |
| 4.2.3 特征的分类能力向量 | 第92-93页 |
| 第三节 保留类别可分性信息的特征选择方法 | 第93-95页 |
| 第四节 实验结果与分析 | 第95-106页 |
| 4.4.1 分类绩效的判定性能测试 | 第96-97页 |
| 4.4.2 全局分类绩效的选择性能测试 | 第97-98页 |
| 4.4.3 分类性能测试 | 第98-104页 |
| 4.4.4 参数敏感度测试 | 第104-106页 |
| 第五节 本章小结 | 第106-108页 |
| 第五章 基于保留类别相关性信息的特征选择模型 | 第108-136页 |
| 第一节 研究必要性与本章贡献 | 第108-111页 |
| 第二节 基于类别可分性的特征选择方法 | 第111-114页 |
| 第三节 保留类别相关性信息的特征选择方法 | 第114-117页 |
| 5.3.1 定义 | 第114-115页 |
| 5.3.2 性质 | 第115-117页 |
| 第四节 保留类别相关性方法的稀疏多任务实现 | 第117-121页 |
| 第五节 实验结果与分析 | 第121-134页 |
| 5.5.1 人工数据测试 | 第122-123页 |
| 5.5.2 单标记数据测试 | 第123-127页 |
| 5.5.3 多标记数据测试 | 第127-131页 |
| 5.5.4 参数敏感度测试 | 第131-134页 |
| 第六节 本章小结 | 第134-136页 |
| 第六章 总结及展望 | 第136-140页 |
| 第一节 全文工作总结 | 第136-137页 |
| 第二节 未来研究展望 | 第137-140页 |
| 参考文献 | 第140-152页 |
| 致谢 | 第152-154页 |
| 个人简历在学期间发表的学术论文与研究成果 | 第154-155页 |
