77、特征选择方法：超图嵌入与计数网格模型

特征选择方法：超图嵌入与计数网格模型

超图嵌入的无监督特征选择方法

在特征选择领域，有一种基于超图嵌入的无监督特征选择方法，它具有显著的优势。

方法优势

• 构建新颖超图框架 ：通过纳入互信息指数（MII）进行高阶相似性度量，建立了一种新颖的超图框架。这个框架能够有效地刻画一组样本内的多重关系，从而更高效地对数据中潜在的结构信息进行建模。
• 特征判别分析回归化 ：从超图嵌入的视角进行特征选择，将特征判别分析转化为一个考虑特征间相关性的回归框架。这样一来，就可以对联合特征组合进行评估，而非局限于逐个考虑特征，进而有效处理特征冗余问题。

基于计数网格的特征选择方法在微阵列数据中的应用

特征选择的重要性

在许多模式识别应用中，特征选择技术是重要的预处理工具。它可以消除无信息的特征，降低问题空间的维度，缓解维度灾难问题。在生物学等领域，每天的实验室程序会产生大量数据，特征选择步骤不可或缺。以表达微阵列数据分析为例，同时测量数千个基因的表达水平，但典型的分类任务只有几十个样本，每个样本却有数千个基因特征（即高维空间中的少量点）。在这种情况下，特征选择技术尤为重要，能够帮助医学/生物学研究人员识别出稳定且有信息价值的生物标志物，用于癌症诊断、预后和治疗靶向。

特征选择方法分类

过去在特征选择领域引入了大量方法，大致可分为三类：
- 过滤方法 ：不与分类器系统交互，仅通过查看数据的内在属性进行选择。常见的做法是根