基于OLS特征排序和相关度聚类的特征选择算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景和动机 | 第13-16页 |
| 1.2 研究现状 | 第16-17页 |
| 1.3 方法思路 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 机器学习的特征选择概述 | 第19-31页 |
| 2.1 特征选择研究的历史及现状 | 第19页 |
| 2.2 特征选择的基本概念 | 第19-22页 |
| 2.2.1 机器学习中特征选择的定义 | 第19-20页 |
| 2.2.2 机器学习的特征选择和学习方法 | 第20页 |
| 2.2.3 特征选择与学习的结合方式 | 第20-22页 |
| 2.3 常用特征选择算法介绍 | 第22-24页 |
| 2.3.1 Filter类-Relief算法 | 第22-23页 |
| 2.3.2 Wrapper类GA-Wrapper | 第23-24页 |
| 2.3.3 Filter和Wrapper相结合 | 第24页 |
| 2.4 支持向量机(SVM) | 第24-28页 |
| 2.4.1 SVM的基本原理 | 第24-26页 |
| 2.4.2 SVM的核函数 | 第26-28页 |
| 2.5 集成学习算法的定义 | 第28页 |
| 2.6 本章小结 | 第28-31页 |
| 第三章 本文模型与方法 | 第31-45页 |
| 3.1 基于支持向量基(SVM)的特征排序算法 | 第32-34页 |
| 3.1.1 SVM中的感度 | 第32-33页 |
| 3.1.2 基于SVM感度的特征排序 | 第33-34页 |
| 3.2 基于正交最小二乘法(OLS)的特征排序 | 第34-40页 |
| 3.2.1 正交最小二乘法 | 第34-37页 |
| 3.2.2 基于正交最小二乘法的特征排序 | 第37-38页 |
| 3.2.3 基于简化OLS的排序算法 | 第38-40页 |
| 3.3 基于相关度的特征聚类 | 第40-42页 |
| 3.3.1 近邻传播聚类算法 | 第40-41页 |
| 3.3.2 相关度的计算方法 | 第41-42页 |
| 3.4 集成特征排序算法 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 实验结果分析 | 第45-55页 |
| 4.1 基于正交最小二乘法的特征排序方法 | 第45-51页 |
| 4.2 集成学习方法结果 | 第51-52页 |
| 4.3 本章小结 | 第52-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65页 |
