高维数据的特征选择

 基本概念 1．1 特征选择 1．1．1 相关特征 1．1．2 冗余特征 1．2 特征变换 1．3 特征提取 1．3．1 尺度不变特征变换 1．3．2 方向梯度直方图 1．4 本章小结 1．5 本书的组织 2 特征选择及相关技术研究现状 2．1 传统特征选择的研究现状 2．1．1 生成特征子集 2．1．2 评价特征子集 2．2 监督特征选择算法研究现状 2．2．1 过滤式特征选择算法 2．2．2 绑定式 2．2．3 嵌入式特征选择算法 2．3 本章小结 3 组稀疏子空间的大间隔特征选择 3．1 模型的基本思想 3．1．1 大间隔学习 3．1．2 组稀疏子空间学习 3．2 模型的建立与实现 3．2．1 模型的建立 3．2．2 目标函数的求解 3．3 算法收敛性分析 3．4 本章小结 4 Trace Ratio- 组稀疏子空间的大间隔特征选择 4．1 模型建立的基本思想 4．2 模型建立及算法的实现 4．2．1 模型的建立 4．2．2 TR-GSLM算法的求解过程 4．2．3 TR-GSLM算法的收敛性分析 4．3 本章小结 5 高效的Trace：Ratio-组稀疏子空间的大间隔特征选择 5．1 模型建立的基本思想 5．2 ETR-GSLM算法实现过程 5．3 ETR-GSLM收敛性分析 5．4 实验分析 5．4．1 实验数据集及环境 5．4．2 参与比较的算法 5．4．3 基于分类精度的特征选择算法性能比较 5．4．4 平均分类精度的比较 5．4．5 提取前30％和60％的特征的分类精度比较 5．4．6 参数的敏感性分析与比较 5．4．7 算法的效率比较 5．4．8 实验小结 5．5 本章小结 6 无监督的特征选择 6．1 无监督特征选择的分类 6．2 过滤式无监督特征选择 6．2．1 Laplacian评分 6．2．2 谱分解的特征选择算法 6．3 嵌入式无监督特征选择 6．3．1 将结构信息与机器学习算法结合 6．3．2 结构信息，聚类信息与机器学习算法结合 6．3．3 结构信息，动态更新聚类信息和机器学习算法结合 6．3．4．动态更新结构信息，聚类信息和机器学习算法结合 6．4 本章小结 7 计算机视觉中的特征选择 7．1 高斯混合模型 7．1．1 生成方法和判别方法 7．1．2 高斯混合模型 7．2 Fisher向量 7．3 基于Fisher向量的特征选择 7．4 本章小结 参考文献