联合L2，1范数正则约束的特征选择方法.docVIP

联合L2，1范数正则约束的特征选择方法 　　【摘要】本文中，我们提出了一种新颖的特征选择算法，将L2，1范数正则项合并到一块进行非监督特征选择。L2，1范数正则项通过作用在转移矩阵上使得对所有样本数据进行特征选择，本文还包括这种方法的收敛性以及计算复杂度的分析。最后运用我们的算法进行聚类分析，在典型实测数据上开展了方法验证，实验结果表明，该方法能有效地选择出所需的特征，且具有很高的准确率。 　　【关键词】特征选择， L2，1范数正则，邻域保持映射，稀疏回归 　　1、引言 　　如何从高维数据中选择或提取对识别或分类有效的特征已成为当前的研究热点和难点，维数约简由此应运而生。特征选择和特征提取是维数约简的最主要的两种方法。特征选择旨在保持原始特征，而特征提取生成新的特征。和特征提取比较起来，特征选择不会改变数据变量的原始特征，比如生物学分析就需要保持原始数据的特征。特征选择的方法大致可以分成两类，即监督的特征选择和非监督的特征选择。在现实生活中，想要获取带有标签的数据是很困难的，并且很代价很高。所以非监督的特征选择更加具有现实意义。 　　近年来，涌现了多种高效的无监督特征选择方法，例如主元分析理论（Pcascor）[1]，拉普拉斯变换理论（Lapscor）[2]，谱特征选择（SPEC）[3]，多重聚类特征选择（MCFS）[4]以及最小冗余谱特征选择（MRSF）[5]，