第1章 绪论 1
1.1 概述 1
1.2 本书章节安排 3
参考文献 4
第2章 特征选择原理 5
2.1 定义 5
2.1.1 特征相关性定义 5
2.1.2 特征选择定义 5
2.2 特征选择过程 6
2.2.1 特征子集的搜索 6
2.2.2 特征子集的评价 8
2.2.3 特征子集搜索的终止 9
2.2.4 选择结果确认 9
2.3 特征选择方法分类 9
2.3.1 滤波式（Filters） 9
2.3.2 封装式（Wrappers） 10
2.3.3 混合式（Hybrid Algorithm） 11
2.3.4 嵌入式（Embedded Solutions） 12
2.4 特征选择算法的评价 12
2.4.1 特征选择算法的两个重要参数 12
2.4.2 特征选择算法的稳定性评价 12
2.5 本章小结 14
参考文献 15
第3章 特征评价方法 17
3.1 概述 17
3.2 基于距离的评价准则 17
3.2.1 质心距离准则 17
3.2.2 类类间最小距离准则 17
3.2.3 类内间距离准则 17
3.2.4 混合距离准则 18
3.3 基于互信息理论的特征评价准则 18
3.3.1 特征选择问题中的信息熵 18
3.3.2 特征选择问题中的互信息 21
3.3.3 互信息特征评价准则 23
3.3.4 连续特征的离散化 24
3.4 基于支持向量机的特征评价准则 26
3.4.1 SVM的工作原理 26
3.4.2 SVM分类器分类性能估计及设计 33
3.4.3 基于SVM分类性能估计的特征评价准则 37
3.5 本章小结 38
参考文献 38
第4章 滤波式特征选择算法 40
4.1 顺序搜索特征选择算法 40
4.1.1 顺序向前特征选择算法 40
4.1.2 顺序向后特征选择算法 41
4.1.3 顺序双向特征选择算法 41
4.2 Relief特征选择算法 41
4.3 最近邻收缩规则 42
4.4 Simba算法 43
4.5 实验及结果 44
4.5.1 实验数据及实验设置 44
4.5.2 实验及讨论 44
4.6 本章小结 47
参考文献 47
第5章 基于人工免疫系统的特征选择算法 49
5.1 人工免疫系统的研究历史和现状 49
5.2 基于免疫机理的特征选择算法 50
5.2.1 算法原理 50
5.2.2 编码与初始种群的生成 50
5.2.3 适应度函数 50
5.2.4 免疫操作 51
5.3 基于免疫克隆机理的特征选择方法 52
5.3.1 算法原理 52
5.3.2 问题编码 53
5.3.3 亲合度函数 53
5.3.4 抗体克隆数 53
5.3.5 免疫克隆算子 53
5.4 遗传算法 55
5.4.1 遗传算法基本概念 55
5.4.2 遗传算法用于特征选择原理 55
5.5 实验与讨论 57
5.5.1 实验目的 57
5.5.2 实验数据 57
5.5.3 实验结果及讨论 57
5.6 本章小结 64
参考文献 65
第6章 特征选择、样本选择与分类器集成融合 67
6.1 概述 67
6.2 样本选择原理 67
6.2.1 样本选择的定义 67
6.2.2 样本选择的必要性 67
6.2.3 样本选择方法分类 68
6.2.4 加权最近邻收缩样本选择算法 69
6.2.5 加权免疫克隆样本选择算法 70
6.3 分类器集成 72
6.3.1 分类器集成概述 72
6.3.2 经典分类器集成方法 73
6.3.3 分类器选择性集成算法 76
6.4 样本选择与特征选择融合方法 79
6.4.1 WRNN-FSA融合算法 79
6.4.2 WICIS-FSA融合算法 80
6.4.3 实验与讨论 81
6.5 样本、特征与分类器集成的融合方法 85
6.5.1 样本选择、特征选择与分类器集成融合原理 85
6.5.2 MISFFS算法 86
6.5.3 WRNNIF-SVME算法 87
6.5.4 WICIF-SVME算法 87
6.5.5 实验与讨论 88
6.6 本章小结 96
参考文献 96
第7章 无监督特征选择算法 101
7.1 基于特征相关性的无监督特征选择 101
7.1.1 基于互信息的无监督特征选择 101
7.1.2 基于非参数互信息的无监督特征选择 105
7.1.3 基于特征相似性的无监督特征选择 107
7.2 基于谱图理论的无监督特征选择 110
7.2.1 基于谱的无监督特征选择 111
7.2.2 谱聚类无监督特征选择 114
7.3 本章小结 118
参考文献 118
第8章 特征选择算法集成 121
8.1 概述 121
8.2 特征选择算法集成 121
8.2.1 基本概念 121
8.2.2 个体特征选择器的生成方法 122
8.2.3 特征选择算法集成方法 124
8.3 基于特征排序表的特征选择算法集成方法 125
8.3.1 特征排序表集成概念 125
8.3.2 特征排序表集成方法 126
8.4 特征选择算法集成实验及讨论 127
8.4.1 实验数据介绍 127
8.4.2 基于Bagging的特征选择算法集成实验 127
8.4.3 IFSA算法的集成实验结果及讨论 128
8.4.4 顺序向前特征选择算法集成的实验结果及讨论 130
8.4.5 实验结论 131
8.5 特征选择算法集成的应用实例——基于fMRI图像及基因的疾病诊断 131
8.5.1 应用背景 131
8.5.2 利用特征选择与SVM集成融合fMRI和SNP数据进行疾病诊断 134
8.6 本章小结 142
参考文献 142
第9章 特征选择用于深度学习 146
9.1 深度置信网络基础模型——受限玻尔兹曼机 146
9.1.1 受限玻尔兹曼机模型 147
9.1.2 高斯-伯努利受限玻尔兹曼机 148
9.1.3 受限玻尔兹曼机的训练 148
9.2 深度置信网络及其特征学习 150
9.2.1 深度置信网络的提出 150
9.2.2 深度置信网络的训练 150
9.2.3 用于分类识别的深度置信网络 153
9.2.4 特征学习结果分析 153
9.3 基于互信息的深度特征优化选择 155
9.3.1 平均互信息无监督深度特征优化选择 156
9.3.2 非参数互信息无监督深度特征优化选择 161
9.3.3 信息增益有监督深度特征优化选择 165
9.3.4 联合互信息有监督深度特征优化选择 170
9.4 基于特征选择优化的DBN模型 173
9.4.1 基于特征选择优化的DBN结构 173
9.4.2 基于平均互信息特征选择优化的DBN模型 174
9.4.3 基于非参数互信息特征选择优化的DBN模型 176
9.5 本章小结 178
参考文献 178