声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：刘艳芳,李文斌,高阳,
关键词：k近邻, 自适应邻域, 流形学习, 特征选择, 无监督学习,
无监督特征选择算法可以对高维无标记数据进行有效的降维，从而减少数据处理的时间和空间复杂度，避免算法模型出现过拟合现象.然而，现有的无监督特征选择方法大都运用k近邻法捕捉数据样本的局部几何结构，忽略了数据分布不均的问题.为了解决这个问题，提出了一种基于自适应邻域嵌入的无监督特征选择(adaptiveneighborhoodembeddingbasedunsupervisedfeatureselection,ANEFS)算法,该算法根据数据集自身的分布特点确定每个样本的近邻数，进而构造样本相似矩阵，同时引入从高维空间映射到低维空间的中间矩阵，利用拉普拉斯乘子法优化目标函数进行求解.6个UCI数据集的实验结果表明：所提出的算法能够选出具有更高聚类精度和互信息的特征子集.
来源：2020年第8期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。