新的结合互信息和粗糙集的特征选择

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 135-137.

• 数据库、信号与信息处理 • 上一篇下一篇

新的结合互信息和粗糙集的特征选择

史岳鹏1，张明慧2，朱颢东3

1.郑州牧业工程高等专科学校信息工程系，郑州 450011
2.郑州师范学院信息技术系，郑州 450044
3.郑州轻工业学院计算机与通信工程学院，郑州 450002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

New feature selection combined MI with RS

SHI Yuepeng1，ZHANG Minghui2，ZHU Haodong3

1.Department of Information Engineering，Zhengzhou College of Animal Husbandry Engineering，Zhengzhou 450011，China
2.Department of Information Technology，Zhengzhou Normal University，Zhengzhou 450044，China
3.School of Computer and Communication Engineering，Zhengzhou University of Light Industry，Zhengzhou 450002，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 特征选择是文本分类的一个重要步骤。分析了互信息，针对其不足引进了粗糙集给出了一个基于关系积的属性约简算法，并以此为基础提出了一个新的适用于海量文本数据集的特征选择方法。该方法使互信息进行特征初选，利用基于关系积的属性约简算法消除冗余词。实验结果表明此种特征选择方法的微平均F1和宏平均F1较高。

关键词: 特征选择, 文本分类, 互信息, 粗糙集, 属性约简

Abstract: Feature selection is an important step in text categorization.MI is analyzed，according to deficiency of MI，RS is introduced and an attribute reduction algorithm based on attribute union is proposed.A new feature selection method combined MI with the proposed attribute reduction algorithm is presented which is suitable for massive text data sets.The method uses MI to select features，and employs the proposed attribute reduction algorithm to eliminate redundancy.The experimental results show that micro average F1 and macro average F1 of the new method are higher.

Key words: feature selection, text categorization, Mutual Information（MI）, Rough Set（RS）, attribute reduction

史岳鹏1，张明慧2，朱颢东3. 新的结合互信息和粗糙集的特征选择[J]. 计算机工程与应用, 2011, 47(16): 135-137.

SHI Yuepeng1，ZHANG Minghui2，ZHU Haodong3. New feature selection combined MI with RS[J]. Computer Engineering and Applications, 2011, 47(16): 135-137.

[1]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[4]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[5]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[6]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[7]	郑诚，董春阳，黄夏炎. 基于BTM图卷积网络的短文本分类方法[J]. 计算机工程与应用, 2021, 57(4): 155-160.
[8]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[9]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[10]	滕金保，孔韦韦，田乔鑫，王照乾，李龙. 基于CNN和LSTM的多通道注意力机制文本分类模型[J]. 计算机工程与应用, 2021, 57(23): 154-162.
[11]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[12]	武书钊，李功权，卜明伟. 基于知识图谱的自杀倾向检测问答系统构建[J]. 计算机工程与应用, 2021, 57(22): 304-312.
[13]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[14]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[15]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.

新的结合互信息和粗糙集的特征选择

New feature selection combined MI with RS

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics