用于自步學(xué)習(xí)的無監(jiān)督屬性選擇算法資料介紹

　　針對現(xiàn)有屬性選擇算法平等地對待每個樣本而忽略樣本之間的差異性，從而使學(xué)習(xí)模型無法避免噪聲樣本影響問題，提出一種融合自步學(xué)習(xí)理論的無監(jiān)督屬性選擇（ UFS-SPL）算法。首先自動選取一個重要的樣本子集訓(xùn)練得到屬性選擇的魯棒性初始模型，然后逐步自動引入次要樣本提升模型的泛化能力，最終獲得一個能避免噪聲干擾而同時具有魯棒性和泛化性的屬性選擇模型。在真實數(shù)據(jù)集上與凸半監(jiān)督多標簽屬性選擇（ CSFS）、正則化自表達（ RSR）和無監(jiān)督屬性選擇的耦合字典學(xué)習(xí)方法（CDLFS）相比，UFS-SPL的聚類準確率、互信息和純度平均提升12.06%、10.54%和10.5%。實驗結(jié)果表明，UFS-SPL能夠有效降低數(shù)據(jù)集中無關(guān)信息的影響。

?

　　伴隨信息采集技術(shù)的不斷發(fā)展，具有大樣本高維度特點的大數(shù)據(jù)已經(jīng)普遍應(yīng)用于模式識別和機器學(xué)習(xí)等領(lǐng)域中。高維大數(shù)據(jù)不僅提升了數(shù)據(jù)處理的成本，而且數(shù)據(jù)中存在的冗余屬性還會影響數(shù)據(jù)處理的效果，此外還可能造成維度災(zāi)難等問題。在高維大數(shù)據(jù)的研究中，大數(shù)據(jù)知識挖掘或者數(shù)據(jù)認知模式建立之前，合理地移除數(shù)據(jù)中的冗余屬性和噪聲樣本，能夠有效提高知識獲取的準確性，因此數(shù)據(jù)降維成為了一個重要的研究領(lǐng)域。屬性選擇方法。是一種重要的數(shù)據(jù)降維方法，按照學(xué)習(xí)方式的不同可分為三類：有監(jiān)督學(xué)習(xí)無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)。在現(xiàn)實應(yīng)用中，獲取數(shù)據(jù)的類標簽是十分困難的，通常需要消耗大量的人力物力，因此無監(jiān)督學(xué)習(xí)更具有實際應(yīng)用價值。