摘要：机器学习中,特征选择可以有效降低数据维度。考虑到流形学习能够保持原始数据的几何结构,l2,1范数能够防止过拟合,提升模型的泛化能力,将二者结合起来可以提高特征选择的效果和效率。结合局部邻域嵌入（ LNE）算法和l2,1范数,提出一种新的无监督特征选择方法。其主要思想是：首先利用数据样本和邻域间的距离以及重构系数构造相似矩阵；其次构建低维空间并结合l2,1范数进行稀疏回归；最后计算每个特征的重要性并选出最优特征子集。实验通过与几种典型的特征选择算法做对比,验证了所提算法的有效性。

原文链接:http://www.cqvip.com//QK/90407A/201603/670269911.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）