机器学习特征选择常用算法

机器学习特征选择常用算法1.综述(1)什么是特征选择特征选择(FeatureSelection)也称特征子集选择(FeatureSubsetSelection,FSS)，或属性选择(AttributeSelection)，是指从全部特征中选取一个特征子集，使构造出来的模型更好。(2)为什么要做特征选择在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：特征个数越多，分析特征、训练模型所需的时间就越长。特征个数越多，容易引起“维度灾难”，模型也会越复杂，其推广能力会下降。特征选择能剔除不相关(irrelevant)或亢余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化了模型，使研究人员易于理解数据产生的过程。2.特征选择过程2.1特征选择的一般过程

特征选择的一般过程可用图1表示。首先从特征全集中产生出一个特征子集，然后用评价函数对该特征子集进行评价，评价的结果与停止准则进行比较，若评价结果比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。选出来的特征子集一般还要验证其有效性。综上所述，特征选择过程一般包括产生过程，评价函数，停止准则，验证过程，这4个部分。(1)产生过程(GenerationProcedure)

产生过程是搜索特征子集的过程，负责为评价函数提供特征子集。搜索特征子集的过程有多种，将在2.2小节展开介绍。(2)评价函数(EvaluationFunction)

评价函数是评价一个特征子集好坏程度的一个准则。评价函数将在2.3小节展开介绍。(3)停止准则(StoppingCriterion)

停止准则是与评价函数相关的，一般是一个阈值，当评价函数值达到这个阈值后就可停止搜索。(4)验证过程(ValidationProcedure)

在验证数据集上验证选出来的特征子集的有效性。

图1.特征选择的过程(M.DashandH.Liu1997)2.2产生过程

产生过程是搜索特征子空间的过程。搜索的算法分为完全搜索(Complete)，启发式搜索(Heuristic)，随机搜索(Random)3大类，如图2所示。

图2.产生过程算法分类(M.DashandH.Liu1997)下面对常见的搜索算法进行简单介绍。2.2.1完全搜索

完全搜索分为穷举搜索(Exhaustive)与非穷举搜索(Non-Exhaustive)两类。(1)广度优先搜索(BreadthFirstSearch)

算法描述：广度优先遍历特征子空间。

算法评价：枚举了所有的特征组合，属于穷举搜索，时间复杂度是O(2n)，实用性不高。(2)分支限界搜索(BranchandBound)

算法描述：在穷举搜索的基础上加入分支限界。例如：若断定某些分支不可能搜索出比当前找到的最优解更优的解，则可以剪掉这些分支。(3)定向搜索(BeamSearch)

算法描述：首先选择N个得分最高的特征作为特征子集，将其加入一个限制最大长度的优先队列，每次从队列中取出得分最高的子集，然后穷举向该子集加入1个特征后产生的所有特征集，