在数据挖掘和机器学习中,特征选择是解决“维数灾难”的有效方法。特征选择结果的好坏与分类精度和模型的泛化性能有着较大的相关性。研究高效的特征选择算法对高维数据的聚类和分类至关重要。本文重点研究了嵌入标签的特征选择方法及标签具有层次结构情况下的特征选择方法,具体研究成果主要体现在如下两个方面:(1)提出了基于稀疏聚类的标签特征选择算法。与现有的无监督特征选择算法相比,它是将高维数据映射低维空间,得到一个嵌入标签,利用低维空间对高维空间的拟合,构造降维目标函数,通过范数稀疏回归,对每个特征进行评分。最后,设计了相应的特征选择算法。实验结果表明,所提算法在聚类精度和互信息两种指标下均取得较好结果。(2)提出了基于标签层次结构的特征选择算法。解决了大多数现有的特征选择方法忽略了类别间的层次结构的问题。该方法首先利用正交转换计算特征对类别的权重,其次,根据权重选择特征,预测出样例的标签。实验表明,所提出的算法在分类精度方面获得较好的实验结果。