2、特征选择与分类：从理论到实践

特征选择与分类：从理论到实践

1. 特征选择基础

在进行分类任务时，图像通常包含约四百个特征，但并非所有特征都对分类有显著贡献。根据特征对分类的贡献程度，可将其分为三类：
- 强相关特征 ：显著影响分类器性能的特征。
- 弱相关特征 ：对分类器性能影响较小的特征。
- 无关特征 ：对分类效率无影响的特征。

选择对分组有贡献的显著特征的过程称为特征选择，可通过多种进化方法实现，如遗传算法、粒子群优化等。进化方法通过评估特征并基于适应度函数选择用于分类的特征。优化技术主要有三种类型：
| 优化技术类型 | 特点 |
| ---- | ---- |
| 过滤式（Filter） | 速度快 |
| 包裹式（Wrapper） | 速度慢，但在大规模计算中效率高 |
| 嵌入式（Embedded） | 兼具过滤式和包裹式的特性 |

分类策略包括机器学习和深度学习技术，如神经网络、卷积神经网络（CNN）、支持向量机（SVM）、多支持向量机等。分类的应用广泛，涵盖医疗、科学、工程、营销、工业和数字空间等领域。在医疗领域，可用于检测各种疾病，如心脏病、乳腺癌、肝炎、脑肿瘤等。

2. 相关研究综述

众多研究围绕分类、图像分类、降维、进化方法以及使用进化方法进行特征空间缩减展开：
- 临床图像分类 ：有研究提出保存临床图像空间结构的方法，用于预测感染性角膜炎的分类，效率达80%。
- 图像分类