《表4 数据集CC上的实验结果》

  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

《一种快速的特征选择框架和方法》

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

数据集CC上的实验结果见表4．实验中，MRMR-SFS的迭代上限k设置为10，FDHSFFS所选择的特征维数上限为10．可以看出，所有特征选择算法都取得了很好的降维效果，MRMRQ的降维效果最好．随着特征维数的增加，MRMR-SFS的计算效率凸显，针对多项式算法（LWLR算法），FDHSFFS和SFS的运行时间分别为MRMR-SFS的15倍（4倍）和76倍（71倍）．由于MRMRQ算法中没有学习算法的介入，所以其运行效率最高，也正因为此，其误差最大，比MRMR-SFS高16.39%（多项式算法）和16.41%（LWLR算法），其他算法的误差近似．