高维数据的特征选择——理论与算法

刘波，何希平 著

 基本概念

1．1 特征选择

1．1．1 相关特征

1．1．2 冗余特征

1．2 特征变换

1．3 特征提取

1．3．1 尺度不变特征变换

1．3．2 方向梯度直方图

1．4 本章小结

1．5 本书的组织

2 特征选择及相关技术研究现状

2．1 传统特征选择的研究现状

2．1．1 生成特征子集

2．1．2 评价特征子集

2．2 监督特征选择算法研究现状

2．2．1 过滤式特征选择算法

2．2．2 绑定式

2．2．3 嵌入式特征选择算法

2．3 本章小结

3 组稀疏子空间的大间隔特征选择

3．1 模型的基本思想

3．1．1 大间隔学习

3．1．2 组稀疏子空间学习

3．2 模型的建立与实现

3．2．1 模型的建立

3．2．2 目标函数的求解

3．3 算法收敛性分析

3．4 本章小结

4 Trace Ratio- 组稀疏子空间的大间隔特征选择

4．1 模型建立的基本思想

4．2 模型建立及算法的实现

4．2．1 模型的建立

4．2．2 TR-GSLM算法的求解过程

4．2．3 TR-GSLM算法的收敛性分析

4．3 本章小结

5 高效的Trace：Ratio-组稀疏子空间的大间隔特征选择

5．1 模型建立的基本思想

5．2 ETR-GSLM算法实现过程

5．3 ETR-GSLM收敛性分析

5．4 实验分析

5．4．1 实验数据集及环境

5．4．2 参与比较的算法

5．4．3 基于分类精度的特征选择算法性能比较

5．4．4 平均分类精度的比较

5．4．5 提取前30％和60％的特征的分类精度比较

5．4．6 参数的敏感性分析与比较

5．4．7 算法的效率比较

5．4．8 实验小结

5．5 本章小结

6 无监督的特征选择

6．1 无监督特征选择的分类

6．2 过滤式无监督特征选择

6．2．1 Laplacian评分

6．2．2 谱分解的特征选择算法

6．3 嵌入式无监督特征选择

6．3．1 将结构信息与机器学习算法结合

6．3．2 结构信息，聚类信息与机器学习算法结合

6．3．3 结构信息，动态更新聚类信息和机器学习算法结合

6．3．4．动态更新结构信息，聚类信息和机器学习算法结合

6．4 本章小结

7 计算机视觉中的特征选择

7．1 高斯混合模型

7．1．1 生成方法和判别方法

7．1．2 高斯混合模型

7．2 Fisher向量

7．3 基于Fisher向量的特征选择

7．4 本章小结

参考文献

开　　本：32开

正文语种：中文