特征选择是一种有效的数据降维技术,主要任务是从原始数据集中选出最具代表性的特征子集,这些特征子集可以表达原始数据集的含义,并且可以代替原始数据集对未知数据进行预测。目前的特征选择算法中,粗糙集特征选择模型处理的主要是离散化的数据集,它不能直接处理连续型数据。由于现实生活中绝大部分数据集都是连续型的,因此将模糊集和粗糙集结合构成模糊粗糙集来进行特征选择。常见的模糊粗糙集特征选择算法有基于正域(依赖度)的算法和基于信息熵的算法等,这些算法在处理过程中时间开销较大。在粗糙集特征选择模型中,划分差异熵模型利用“划分”的思想先将原始信息系统划分为多个子信息系统,通过计算子信息系统上的划分差异熵,代替直接在全体条件属性集上计算熵的方法,缩短了时间复杂度,同时达到了与传统信息熵模型相同的分类能力。但是受粗糙集的影响,划分差异熵模型只能处理离散型数据集。本文利用多分类数据集决策类别较多的特点,提出了基于Lambda划分差异熵的特征选择算法(LDE-FRFS)。先将原始决策系统划分成多个子系统,在每个子系统中评价属性局部重要程度,然后利用局部重要程度计算属性全局重要程度,得到约简结果。LDE-FRFS算法与模糊粗糙集中的熵方法相比,在保证了分类准确率的前提下,时间复杂度更低,并且与划分差异熵相比,本算法能够直接处理实值类型数据。同时本文发现LDE-FRFS算法受噪音数据影响较大,因此在算法中加入了一种降低噪音数据影响的算法,即不同类比算法,从而提高了算法准确率。本文用九种基准数据集对两种算法进行特征选择的实验验证,将本文算法分别和其他四种算法(基于Lambda条件熵特征选择算法、基于模糊粗糙快速属性约简算法、基于模糊熵的特征选择算法和主成分分析算法)进行对比实验,实验成果证明本文算法的性能优于其他经典的特征选择算法。