基于谱分析的特征选择的分类算法研究开题报告

全文总字数：4046字

1. 研究目的与意义（文献综述）

1.1课题研究的目的及意义

高维数据经常在许多科学领域中产生，例如视觉类别识别，基因表达分析，时间序列预测等等。若直接使用这些原始的高维数据，在实际处理分析过程中会带来高额计算成本和维数灾难。实际上，由于高维特征空间中涉及有不相关的和冗余的特征，通常认为数据的真实维数要远低于数据本身的维度。因此，通常有两种研究方法：特征提取和特征选择，以学习数据的低维表示。特征提取通过组合原始特征，将原始输入转换为较低维子空间，以构造新特征来减小维度；而特征选择则包括删除一些不相关或弱相关的特征，从而只返回原有特征中的子集。

在机器学习和统计学中，特征选择也被称为变量选择、属性选择或变量子集选择。特征选择因其能简化模型，使之更易于被研究人员或用户理解缩短训练时间，改善通用性、降低过拟合,是最重要的降维技术之一。特征选择算法可以被视为搜索技术和评价指标的结合。前者提供候选的新特征子集，后者为不同的特征子集打分。常见的特征选择方法大致可以分为三类：过滤式、包裹式和嵌入式。

2. 研究的基本内容与方案

2.1研究的基本内容、目标

降维方法一直是机器学习领域的热点研究问题，特征选择是降维方法的主要方法，基于谱分析的特征选择算法是当前的研究热点，通过算法去除这些冗余和不相关特征，选择原始数据的重要特征子集。本文的主要内容如下：

3. 研究计划与安排

1-3周：查阅文献，完成开题报告

4-6周：总体设计，完成论文综述

7-10周：设计算法，功能模块设计

4. 参考文献（12篇以上）

1.berminghamml, pong-wong r, spiliopoulou a, et al. application of high-dimensional featureselection: evaluation for genomic prediction in man. scientific reports.5:10312.

2.do h, cheon m-s,kim sb. graph structured sparse subset selection. information sciences. 2020.

3.du l, shen yd.unsupervised feature selection with adaptive structure learning.