一种基于稀疏表示系数的特征相关性测度.pdfVIP

第 26卷 第 1期 模式识别与人工智能 Vo1．26 No．1 2013年 1月 PR ＆AI Jan 2013 一 种基于稀疏表示系数的特征相关性测度 耿耀君 张军英 袁细国 (西安电子科技大学 计算机学院 西安 710071) 摘 要 目前特征选择方法中常用的特征相关性测度可有效评估两个特征之间的相关性，但却将特征孤立看待， 没有考虑其它特征对它们相关性的影响．文中在整体考虑特征之间关系的前提下，提出用稀疏表示系数评估特征 的相关性，它与现有特征相关性测度的不同之处在于可揭示特征在其它所有特征影响下与 目标的相关性，反映特 征间的相互影响．为验证稀疏表示系数评估特征相关性的有效性 ，在典型的高维小样本数据上，比较了ReliefF方 法及分别以稀疏表示系数 、对称不确定性和皮尔森相关系数为相关性测度的特征选择方法选择的特征集的分类能 力．实验结果表明文中方法选择的特征集的分类能力高且较稳定． 关键词 特征相关性测度，特征选择，稀疏表示 中图法分类号 TP391 A FeatureRelevanceM easureBasedonSparseRepresentationCoefficient GENGYao-Jun，ZHANGJun—Ying，YUANXi—Guo (SchoolofComputerScienceandTechnology，XidianUniversity，Xian710071) ABSTRACT Thefeaturerelevancemeasuresemployedbycurrentfeatureselectionmethodscaneffectivelyevaluate therelevancebetweentwofeatures，buttheydonotconsidertheinfluenceoftheotherfeaturesonthem． Onthepremiseofconsideringfeatureinteractionoverall，sparserepresentationcoefficientisproposedasa featurerelevancemeasure．The difference between the proposed method and the existing relevance measuresisthatitrevealsthe relevance between feature and targetunderthe influenceofthe other features，whichreflectsfeatureinteraction．In ordertoverifytheeffectivenessofsparserepresentation coefficientto measure relevance offeature，the classification performance iscompared among feature subsetsselected byReliefF and thefeature selection methodsusingsparsecoefficient，symmetrical uncertainty andPearson correlation coefficientasrelevancemeasuresrespectively．The experimental resultsshow thattheclassificationperformanceofthefeaturesselectedbytheproposedmethod ishigher