[发明专利]一种快速的基于混合特征KDE条件熵矩阵式的特征选择方法

摘要

本发明提供提出一种快速的基于混合特征KDE条件熵矩阵式的特征选择方法，该方法提出了核矩阵、数据向量、划分矩阵以及核划分矩阵的概念，并基于这些概念，提出了混合特征KDE熵的矩阵式，使得混合特征KDE条件熵的计算效率大大提高，从而提高了基于混合特征KDE条件熵矩阵式的特征选择方法的效率。

主权项

一种快速的基于混合特征KDE条件熵矩阵式的特征选择方法，其特征在于：包括如下步骤：步骤1，选取n个样本的完整的数据集U，该数据集U包含混合的条件特征集F和决策特征D，D的值域为[1,ND]，选择特征数的最大值K，变化阈值T，窗宽参数h，离散压缩阈值L；步骤2，初始化选择出来的离散特征集SA和选择出来的连续特征集SX为空集,已选特征集S＝SA∪SX,未被选择的特征集E＝F,选择一个特征前后的条件熵之差步骤3，选取E中每一个特征Q加入S,其中Q的数据向量为已选离散特征集SA的数据向量为的最大值为NS,已选连续特征集SX的协方差矩阵为核矩阵为ΦS,计算增量后的连续特征集TX、协方差矩阵及核矩阵ΦT和增量后的离散特征集TA、特征集TA的数据向量及的最大值NT；步骤4，将离散特征集TA对应的数据向量转化为n×NT的划分矩阵M(TA)＝(mi,a)；步骤5，将离散属性集和决策属性的组合(TA,D)对应的联合数据向量转化为n×(NT×ND)的划分矩阵M(TA∩D)，其中ai＝(aTi‑1)×ND+di；步骤6，由连续特征集TX及核矩阵ΦT＝(φk,i)，离散特征集TA对应的划分矩阵M(TA)＝(mi,a)及值域上界NT获得混合特征KDE条件熵的矩阵式；步骤7，选择混合特征KDE条件熵最小的属性并计算条件熵之差步骤8，判断Q*的特征属性，如果Q*为连续特征，则令SX＝SX∪{Q*}，并更新SX的协方差矩阵和核矩阵ΦS；步骤9，如果Q*为离散特征，则令SA＝SA∪{Q*}，判断SA中离散特征个数|SA|>L，如果满足条件，则对SA的数据向量进行压缩，更新离散特征数据向量和的最大值NS；令S＝SA∪SX,E＝E‑Q*；步骤10，判断条件熵之差是否满足阈值，即且已经选择出来的特征数|S|<K,如果满足条件，则返回步骤3；否则，输出已选特征集S。