标签：特征值 PCA PSO 特征选择 分类 信息 增益 文本

特征选择技术的比较：PSO，PCA和信息增益
作为与基于PSO的特征选择的比较，我们利用PCA和信息增益来减少我们问题的特征空间的维度。主成分分析（PCA）[51] 是一种有用的统计技术，通过减少维数来压缩数据。它通过遗漏冗余信息找到高维数据中的模式并将其转换为较低维度。PCA通过计算协方差矩阵的特征值和特征向量来开始其处理。这些向量提供有关数据中模式的信息。特征向量对应于包含最重要模式的最高特征值，其中向量对应于下一个最高特征值包含比第一特定值更少的信息但是比其他特征值更多。

信息增益对应于当数据相对于特定特征在不同类别之间分布时由于熵的减少而获得的增益。我们计算每个特征的信息增益10并按升序对它们进行排序。然后选择前几个特征并用于训练分类器。我们在表17中报告了PCA和基于信息增益的特征空间缩减技术的结果以及PSO的结果。它还报告f n / k的值（各个型号所需的特征数量）。结果表明，与所有情况下的PCA和信息增益相比，基于PSO的方法获得了更好的结果。此外，应该注意的是，基于PSO的模型需要比其他两种技术相对更少的特征。

标签：特征值,PCA,PSO,特征选择,分类,信息,增益,文本
来源： https://blog.csdn.net/qq_39161216/article/details/90763049

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。