基于动态规划和K-means聚类的特征选择算法

摘要

本发明公开了一种基于动态规划和K‑means聚类的特征选择算法，包括步骤：1)数据预处理，主要解决特征数据中存在的数据重复、数据属性值缺失问题；2)借助动态规划的核心思想预选择出特征子集，并且采用类间类内距离作为动态规划决策过程中的性能函数；3)改进原始的K‑means聚类算法，并且使用改进后的K‑means算法对动态规划阶段生成的特征子集进行聚类，剔除冗余特征，优化选择出的特征子集。本发明能够选择出低噪声、强相关、无冗余的特征子集，实现特征的有效降维，提高机器学算法的泛化能力和学效率，降低算法的运行时间，最终生成一个简单高效且易于理解的学模型。

主权项

基于动态规划和K‑means聚类的特征选择算法，其特征在于，包括以下步骤：1)数据预处理，主要解决特征数据中存在的数据重复、数据属性值缺失问题；2)借助动态规划的核心思想预选择出特征子集，并且采用类间类内距离作为动态规划决策过程中的性能函数；3)改进原始的K‑means聚类算法，重点集中在确定聚类个数及选取初始中心点这两方面对原始的K‑means聚类算法进行优化改进，并且引入加权欧氏距离，其改进思想是：使用迭代法确定聚类个数，利用标准差进行加权欧氏距离的计算，采用加权欧氏距离以及最大最小距离的原理进行初始中心点的选取；最后使用改进后的K‑means算法对动态规划阶段生成的特征子集进行聚类，剔除冗余特征，优化选择出的特征子集。