CFS-GA特征选择/特征提取

CFS

对于一个样本空间，构造一个二维矩阵A代表此样本空间，A中每行代表一条数据，每列代表一个特征

样本中的数据分为数个特征，其中\(A_i\)表示第\(i\)个特征，\(a_{ij}\)表示第i行第j列那条数据

计算特征\(A_i\)的熵

\[H(A_i)=-\sum\limits_{{}{k}}p(a_{ik})log_2(p(a_{ik})) \]

计算已知特征\(A_j\)的情况下\(A_i\)的熵的公式

\[H(A_i|A_j)=-\sum\limits_{{}{t}}p(a_{jt})\sum\limits_{{}{k}}p(a_{ik}|a_{jt})log_2(p(a_{ik}|a_{jt})) \]

对称不确定方法

用以确保信息增益规格化，使其是可比较和具有相同效果

\[SU=2.0×[\frac{H(A_i)-H(A_i|A_j)}{H(A_i)+H(A_j)}] \]

计算适应度

\[Fitness(h)=\frac{m·\overline{r_{ca}(h)}}{\sqrt{m+m·(m-1)·\overline{r_{aa}(h)}}} \]

\(h\)为特征子集

标签：limits,特征选择,sum,jt,ik,GA,特征提取,CFS
来源： https://www.cnblogs.com/AlwaysSui/p/15540647.html