一类基于自适应邻域的流特征选择方法OA北大核心CSTPCD

目前虽然已经涌现出了很多类型的流特征选择技术,但大多数方法的实现在参数设置之前需获取足够的领域知识。为解决这一问题,提出了一类基于自适应邻域的流特征选择方法。首先,定义了一种新的邻域关系,它根据各个类别中样本的自然分布获取半径,从而能够自适应地构建邻域。其次,利用基于邻域的依赖关系,分析流特征的相关性和冗余性。最后,利用流特征选择的一般性流程,不难得到一个较优的特征子集。为了验证所提算法的有效性,在18组数据集上与3种先进的流特征选择方法进行了对比分析。试验结果表明:所提方法产生的流特征选择结果,在K近邻(KNN)和支持向量机(SVM)分类器上,能够将测试样本上的平均分类准确率显著提升5.68%以上。