基于自表達(dá)方法的低秩屬性選擇算法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
高維特征表示物體（或樣本）能準(zhǔn)確且多樣化地表現(xiàn)物體的特性。因此，高維度數(shù)據(jù)經(jīng)常在機(jī)器學(xué)習(xí)及相關(guān)領(lǐng)域中存在，如文本數(shù)據(jù)、人臉數(shù)據(jù)和生物信息數(shù)據(jù)等。但是，高維數(shù)據(jù)的使用不僅增大了數(shù)據(jù)存儲(chǔ)空間及增加了運(yùn)算時(shí)間的復(fù)雜度，而且在對(duì)數(shù)據(jù)處理過程中容易造成維災(zāi)難等現(xiàn)象。因此，對(duì)高維數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)以降低數(shù)據(jù)的維度，從而尋找到具有代表性的低維屬性子集成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。
針對(duì)無監(jiān)督屬性選擇算法無類別信息和未考慮屬性的低秩問題，提出一種基于自表達(dá)方法的低秩屬性選擇算法。在損失函數(shù)中使用低秩和自表達(dá)方法描述屬性間的相關(guān)結(jié)構(gòu)，利用K均值聚類算法得到所有樣本的偽類標(biāo)簽進(jìn)行屬性選擇，采用稀疏學(xué)習(xí)方法。一范數(shù)參數(shù)p控制屬性選擇結(jié)果的稀疏性，并通過子空間學(xué)習(xí)方法使屬性選擇結(jié)果達(dá)到全局最優(yōu)。實(shí)驗(yàn)結(jié)果表明，與無監(jiān)督屬性選擇算法相比，該算法在6個(gè)公開數(shù)據(jù)集上均具有較高的分類準(zhǔn)確率及穩(wěn)定性。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%
下載地址
基于自表達(dá)方法的低秩屬性選擇算法下載
相關(guān)電子資料下載
- LoRaWAN網(wǎng)絡(luò)服務(wù)器算法--下行路徑選擇算法對(duì)比與仿真（下） 160
- LoRaWAN網(wǎng)絡(luò)服務(wù)器算法--下行路徑選擇算法對(duì)比與仿真（上） 712
- 基于馬爾科夫邊界發(fā)現(xiàn)的因果特征選擇算法綜述 1045
- H.264中低復(fù)雜度的快速多參考幀選擇算法的應(yīng)用研究 2421
- 一種新的H.264編碼幀間預(yù)測(cè)模式選擇算法 359
- 三種回歸算法及其優(yōu)缺點(diǎn)，將會(huì)為我們理解和選擇算法提供很好的幫助 13979
- 不同特征選擇算法的各自特點(diǎn)及其在微博業(yè)務(wù)應(yīng)用中的演進(jìn)歷程 3425