[发明专利]一种基于特权信息的特征选择方法在审
| 申请号： | 201910499789.2 | 申请日： | 2019-06-11 |
| 公开（公告）号： | CN110287177A | 公开（公告）日： | 2019-09-27 |
| 发明（设计）人： | 徐毅;浦剑;王骏 | 申请（专利权）人： | 嘉兴深拓科技有限公司 |
| 主分类号： | G06F16/215 | 分类号： | G06F16/215;G06K9/62;G06N20/00 |
| 代理公司： | 宁波市鄞州甬致专利代理事务所(普通合伙) 33228 | 代理人： | 潘李亮 |
| 地址： | 314100 浙江省嘉兴市*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于机器学习的特征选择领域，尤其涉及一种基于特权信息的特征选择方法。它包括以下步骤：步骤A：将定义的特权信息作为附加信息加入训练阶段的常规信息中；步骤B：根据常规信息和特权信息的分布关系进行三种不同情况的设置，形成训练样本和测试样本，进行交叉验证；步骤C：使用内核可分性方法作为特征选择函数，对步骤B所述样本中的非线性分布情况进行处理；步骤D：对步骤C所述目标函数，使用凹凸过程算法，选出最优特征子集，放入选定的算法框架比较性能得出结论。本发明将特权学习框架与嵌入式方法结合，提出了新的一种基于类可分性，运用特权信息的非线性特征选择方法，很好地衡量了不同分布样本之间的接近程度。 | ||
| 搜索关键词： | 特权信息 特征选择 常规信息 可分性 最优特征子集 非线性分布 非线性特征 测试样本 分布关系 分布样本 附加信息 过程算法 机器学习 交叉验证 目标函数 算法框架 训练阶段 训练样本 嵌入式 内核 样本 特权 衡量 学习 | ||
【主权项】：
1.一种基于特权信息的特征选择方法，其特征在于，包括以下步骤：步骤A：定义特权信息，然后将定义的特权信息作为附加信息加入训练阶段的常规信息中；步骤B：根据常规信息和特权信息的分布关系进行三种不同情况的设置：匹配、不匹配和部分匹配，形成训练样本和测试样本，进行交叉验证；步骤C：使用内核可分性方法作为特征选择函数，对步骤B所述样本中的非线性分布情况进行处理，根据常规信息和特权信息不同分布的情况，采取不同内核矩阵的对齐度量函数作为内核可分性特征选择函数的正则项，内核可分性特征选择函数和对齐度量函数两部分相结合形成目标函数；步骤D：对步骤C所述目标函数，使用凹凸过程算法，选出最优特征子集，放入选定的算法框架比较性能得出结论。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于嘉兴深拓科技有限公司，未经嘉兴深拓科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910499789.2/，转载请声明来源钻瓜专利网。
