基于支持向量机的特征提取方法研究与应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (20): 210-213.

基于支持向量机的特征提取方法研究与应用

蒋琳^1,2，彭黎²

1.湖南商学院，长沙 410205
2.湖南大学软件学院，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-11 发布日期:2007-07-11
通讯作者: 蒋琳

Study of feature selection method based on support vector machine and its application

JIANG Lin^1,2，PENG Li²

1.Hunan Business College，Changsha 410205，China
2.Software School of Hunan University，Changsha 410082，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-11 Published:2007-07-11
Contact: JIANG Lin

摘要/Abstract

摘要： 支持向量机是一种基于结构风险最小化原理的分类技术，已逐渐引起国内外研究者的关注。提出了一种用于最佳特征子集选取的特征筛选算法，且实现了特征与分类识别相关性强度的排序，并通过使用该算法对Ⅱ型糖尿病判别与风险因素筛选，求证了该方法的可靠性和可行性。当以该算法提取的特征子集{腰围、腰围/臀围、舒张血压、年龄}作为输入向量时，敏感度、特异性、准确率最高，分别为0.866 6、0.642 0、0.701 4。同时，还将该算法与主成分分析法进行比较。实验表明，在特征提取方面该算法优于主成分分析法。因此，该算法对分类识别、风险因素筛选是一种有效的方法，为解决该类问题探索了一条有效途径。

关键词: 支持向量机, 特征提取, 分类识别, Ⅱ型糖尿病

Abstract: Support Vector Machine（SVM），a kind of machine learning method，can efficiently solve the classification problem.A new classification-based feature selection algorithm is developed in this study.This algorithm is able to explore the best subset of features for classification from a group of either irrelevant or relevant features.Moreover，it can systematically prioritize all features based on degree of correlation between them and categories.And it finally is used to identify a set of combined-risk factors for type II diabetes in this study.A best subset of risk factors，consisting of waistline，waistline/hip-girth，diastolic blood pressure and age，is found for this disease.The sensitivity，specificity and accuracy of SVM classification under this subset are 0.866 6，0.642 0 and 0.701 4 respectively.In addition，a comparison between this algorithm and principal component analysis is also conducted.It turns out that the former is superior to the latter for the extraction of features.

Key words: SVM, feature selection, classification, typeⅡdiabetes

蒋琳^1,2，彭黎². 基于支持向量机的特征提取方法研究与应用[J]. 计算机工程与应用, 2007, 43(20): 210-213.

JIANG Lin^1,2，PENG Li². Study of feature selection method based on support vector machine and its application[J]. Computer Engineering and Applications, 2007, 43(20): 210-213.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[8]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[9]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[10]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[11]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[12]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[13]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[14]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[15]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.