.png){kind=icon}
返回
Unsupervised feature selection algorithm based on L2,p-norm feature reconstruction
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0318431.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统子空间特征选择方法通常依赖固定距离来计算原始空间与特征重构空间之间的残差。然而，这种方法难以适应不同数据集，并且往往无法有效处理噪声和离群点。在本文中，我们提出了一种名为基于l₂,ₚ-范数特征重构的无监督特征选择算法（NFRFS）的无监督特征选择方法。采用灵活的范数来表示原始空间和特征重构的空间距离，通过调整p值增强了适应性并拓宽了其适用性。此外，将自适应图学习整合到特征选择过程中，以保留数据的局部几何结构。通过特征选择矩阵的内积正则化约束，选择具有稀疏性和低冗余性的特征。为验证方法的有效性，在14个基准数据集上进行了数值研究。结果表明，该方法在聚类性能方面优于10种无监督特征选择算法。
Keyword:
DIMENSIONALITY REDUCTION
REDUNDANCY
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
Sparse and low-redundant subspace learning-based dual-graph regularized robust feature selection基于稀疏和低冗余子空间学习的对偶图正则化鲁棒特征选择
PREAI
分享收藏分享收藏
Unsupervised feature selection based on minimum-redundant subspace learning with self-weighted adaptive graph基于最小冗余子空间学习与自加权自适应图的无监督特征选择
PREAI
分享收藏Sparse feature selection using hypergraph Laplacian-based semi-supervised discriminant analysis.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏A feature selection method based on the Golden Jackal-Grey Wolf Hybrid Optimization Algorithm一种基于金豺-灰狼杂交优化算法的特征选择方法PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容