标签：Selection 特征 Feature --- 特征选择 Score 子集 Fisher 方法

Fisher Score选出的是特征的次优子集。

Introduction 

       在存在许多不相关或冗余的特征时，学习方法往往会过度适合，变得难以解释。基于过滤器的方法将特征排序作为学习算法之前的预处理步骤，并选择排名分数高的特征。基于包装器的方法使用最终将被使用的学习算法对特征进行评分。

      给定一组d个特征，用S表示，基于滤波器的特征选择的目标是选择一个m < d个特征的子集，用T表示，它使某个准则F最大化。

  

    

      一种常见的启发式方法，首先为每个特性独立地计算一个分数 ，然后选择得分最高的m个特征，但是这样的方法选出的特征子集是次优的。一方面，由于启发式算法单独计算每个特征的得分，它忽略了特征的组合。另一方面，它无法处理冗余特征。

      所提方法不是单独选择每个特征，而是同时选择一个特征子集 。由此得到的特征选择问题是一个混合整数规划，它被进一步表述为二次约束线性规划。

A Brief Review of Fisher Score     Fisher Score的计算公式： 是正则化参数，    

     

     

标签：Selection,特征,Feature,---,特征选择,Score,子集,Fisher,方法
来源： https://www.cnblogs.com/hyxxl/p/15259326.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。