8、模式识别特征选择：前沿方法与挑战

模式识别特征选择：前沿方法与挑战

1. 特征选择研究背景

随着科技设备日常需执行机器学习和模式识别任务，特征选择的研究日益增多。应用场景广泛，算法也从处理点状数据向处理时间关联数据发展。本次对特征选择的前沿研究进行综述，旨在寻找研究空白，为应对未来挑战提供思路。

2. 基于统计的特征选择方法

描述性统计通过一些度量来描述数据，如数据类型、离散程度等。这些信息是统计特征选择方法的基础。统计特征选择在不考虑分类算法的情况下比较属性，多数属于过滤式特征选择方法。

2.1 统计度量

• 均值 ：是统计学中常用的位置度量，用于定位数据。变量均值计算公式为：
  [ \tilde{x} = \frac{\sum_{i=1}^{n} x_i}{n} ]
• 方差 ：用于衡量变量值的离散程度，即变量值与均值的差异程度。方差公式为：
  [ s^2 = \frac{\sum_{i=1}^{n} (x_i - \tilde{x})^2}{n} ]
• 标准差 ：是方差的平方根，公式为：
  [ s = \sqrt{s^2} = \sqrt{\frac{\sum_{i=1}^{n} (x_i - \tilde{x})^2}{n}} ]
  标准差越大，变量数据值相对于均值越分散。

2.2 基于统计的特征选择方法前沿

• 时间关联数据特征选择算法（Somuano 2016）