特征选择是特征工程领域中子集筛选的一种框架,是一种NP-难问题。在当今大数据时代,很多领域中都包含大量的数据信息,数据成为了一种重要资源。为了高效利用数据,从数据中挖掘有效特征就尤为重要。特征工程首先将客观数据编码为特征,特征选择便服务于特征的筛选,其旨是剔除特征集合中不相关及冗余的特征来减少模型训练的时间,提高模型预测的精确度。因此特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段。特征选择表现为在原始特征集合中挑选优质特征子集的过程。一般由于缺少先验知识,无法准确筛选出和描述目标最为相关的特征,面对该问题通常会采用一些评价准则对特征进行评估,这可以选出优质的特征,但是很难挖掘优异的特征子集。一种简单的寻找最优特征子集的方法就是穷举法,穷举法试图枚举出所有的特征集合,这可以找到全局最优的特征子集,但是穷举搜索方式无法满足较高维数据集的性能需求。进一步随机算法作为一种优化方法可以很好地应用到特征选择中,并且由于随机算法出色的全局搜索能力在特征选择中取得了不错的效果。进化策略作为一种随机搜索方法被广泛用于目标优化中。进化策略模拟基因进化过程,采用基因突变、产生种群、筛选个体等进化机制来寻找全局最优解。不同于遗传算法中只采用一条基因序列,进化策略使用两条基因序列来指导产生新的个体,同时不同版本的进化策略采用不同的种群生成机制使得算法能够适应更多的优化问题。进化策略由于其出色的求解能力在一些优化问题中有着出色的表现。本文提出了一种新的基于自然进化策略的特征选择算法MCC-NES。首先,算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略;其次,为了使算法能有效地处理特征选择问题,在初始化阶段引入了一种特征编码方式;之后结合分类准确率和维度缩减率给出了算法的适应度函数;此外,面对高维数据引入了合作协同进化的思想,将原问题分解为相对较小的子问题并分别对每个子问题独立求解,然后通过所有子问题相互联系来优化原问题的解决方案;进一步引入分布式种群进化的概念,实现多个种群竞争进化来增加算法的探索能力并设计了种群重启策略以防止种群陷入到局部最优解中。最后将提出的MCC-NES算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验,MCC-NES使用CART,Rbf-SVM和KNN分类器来指导学习过程,实验结果显示本文提出的算法可以有效地解决特征选择问题,并且与经典的特征选择算法相比也有一定的竞争力,尤其是在处理高维数据时有着出色的表现。