《表3 基于图的半监督特征选择方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《半监督特征选择综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

基于图的半监督特征选择方法都使用了原始数据集的图数据结构以完成特征选择。基于Laplacian计分的方法从无监督特征选择Laplacian计分法入手，加入对有标签样本监督信息（类别标签或成对约束）的挖掘与利用，建立代表样本间相似性与不相似性的图数据结构，通过评价特征对原始数据集的结构保持能力完成特征选择。基于Fisher计分的半监督特征选择方法以有监督特征选择Fisher计分法为基础，加入对无标签样本特征信息的挖掘与利用，建立样本最近邻图，通过在Fisher计分的基础上加入对特征结构保持能力的评价完成特征选择。基于聚类假设的方法代表了不借助已有的有监督或无监督特征评价标准，直接借助半监督数据集的图数据结构建立特征评价准则的方法。总的来说，该类方法皆属于过滤型方法，借助谱图理论简化了计算，拥有易于实施、计算效率高、泛化能力强的优点。但该类方法从输出类型[2]的角度看属于特征排序型，即输出的是特征依评价准则的排序，并不能完全解决特征选择问题得到最优解，通常需要用户指定最终特征子集的大小以贪婪地形成特征子集。且由于评价准则在制定时并未完全考虑特征间的相关关系，特征间评估完全独立，最终特征子集拥有一定的冗余性。表3对基于图的半监督特征选择方法的各典型方法从理论基础、特点、优缺点以及时间复杂度方面进行了进一步概括与对比，其中，d为原始特征集含有的特征数量，n为全体训练样本的数量，c为样本的类别总数。