2、新型模糊粗糙混合特征选择优点探究

新型模糊粗糙混合特征选择优点探究

在特征选择领域，寻找与结果最相关的特征子集是关键目标，但这一过程可能会导致选择冗余特征。而CFS优点在一定程度上能减少冗余特征的选择，基于此，我们提出了一种新型的模糊粗糙混合优点用于特征选择。

1. 新型混合优点的提出

我们结合了模糊粗糙依赖度（FRDD）和CFS的概念，开发了一种新的混合优点。通过将CFS中的相关性替换为FRDD，以充分利用两者的优势。新的优点公式如下：
[
\delta = \frac{\sum_{i=1}^{k} \gamma_{i}^{\prime}(c)}{\sqrt{k \times (1 + \sum_{j=1}^{k - 1} \gamma_{j}^{\prime}(f))}}
]
其中，(\gamma_{i}^{\prime}(c)) 是已选择特征 (i) 与类别 (c) 的FRDD，(\gamma_{j}^{\prime}(f)) 是已选择特征 (j) 与正在考虑的候选特征 (f) 的FRDD。分子是已选择的 (k - 1) 个特征以及新选择的第 (k) 个特征与结果的FRDD之和，分母是除当前正在考虑的第 (k) 个特征外，所有特征与自身的FRDD聚合。分母中的 (k) 控制着选择的特征数量。我们将基于此优点的特征选择方法称为Delta特征选择（DFS）。

分子中每个 (k) 的取值范围是从0到1，因此分子的区间为 ([0, k])。分母的求和部分每个 (k) 的取值范围是从0到 (k - 1)，由于 (k) 始终为正，整个分母部分的区间为 ([\sqrt{k}, k])。

2. 搜索算法

DFS采用的是贪心前向搜索算法，即Q