题名 | 高维数据的PLS特征选择方法研究; PLS-based feature selection for high-dimensional data |
作者 | 游文杰 |
答辩日期 | 2014 ; 2013 |
导师 | 吉国力 |
关键词 | 高维数据 特征选择(选维) 特征提取(降维) 偏最小二乘 递归特征 消除 基因微阵列 基因共表达 high-dimensional data feature selection (dimension selection) feature extraction (dimension extraction) partial least squares recursive feature elimination microarray gene coexpression |
英文摘要 | 高维数据的维数约简是数据挖掘与模式识别研究领域中的重点。高维问题的实质是信息冗余与高噪声,其建模方法的有效性体现在数据潜在信息的充分挖掘,在最大化数据有用信息量的情况下去除冗余与噪声。数据维数的增加及其冗余特征的出现,导致后续的数据分析变得困难:维数的增长导致计算量迅速增加,导致样本量的相对较少,使得统计上的渐近性质难以保证,传统方法的鲁棒性也难以满足;描述样本的特征中冗余特征的比例大量增大,出现多重共线性相关,意味着数据值的轻微变化将导致学习结果的较大变化,大量冗余特征的存在也导致学习泛化性能的下降。一些学习算法在这种高维数据时效率下降甚至失效。 针对高维小样本和高维多类别问题(实际维数不...; Dimensionality reduction of high-dimensional data is the key issue in data mining and pattern recognition research fields. The essence of problems in high-dimensional data lies in the data containing information redundancy as well as having high noise and strong correlation among features. Effective modeling of high-dimensional small sample datasets involves mining the complete potential informati...; 学位:工学博士; 院系专业:信息科学与技术学院_系统工程; 学号:23220100154075 |
语种 | zh_CN |
出处 | http://210.34.4.13:8080/lunwen/detail.asp?serial=43129 |
内容类型 | 学位论文 |
源URL | [http://dspace.xmu.edu.cn/handle/2288/79434] ![]() |
专题 | 信息技术-学位论文 |
推荐引用方式 GB/T 7714 | 游文杰. 高维数据的PLS特征选择方法研究, PLS-based feature selection for high-dimensional data[D]. 2014, 2013. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论