特征选择是数据预处理的关键一步,是一种有效的降维方法。目前特征选择已经应用于许多方面,如文本挖掘、图像处理、入侵检测、基因组分析等等。特征选择方法可以根据一定的准则对不相关和冗余的特征进行区分和剔除,最终找到特征的子集,减少数据的维数,从而使学习算法更高效,结果更准确。常见的特征的选择方法分为三种,分别为Filter、Wrapper、Embedded。Filter方法利用某种类别的可分性度量从一个特征集当中挑出最有利于分类的特征,通常Filter方法的效率较高,但是精度一般。而Wrapper方法是特征选择结合在学习算法过程中,特征子集的评价标准和学习算法的性能相关,Wrapper方法往往精度较高而效率低下。Embedded方法使用某些机器学习的算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小选择特征。类似于Filter方法,但是是通过训练来确定特征的优劣。一般来说,Filter方法只用一个分数来评判特征对所有类别的综合分类能力,分值越高分类能力越强,然而很多文献已表明只选择分数高的特征往往不能取得很好的效果。针对这一问题,本文引入了子类问题特征曲线的新方法(Feature curve feature selection,简称为FCFS),通过用不同的Filter方法中的可分性度量信息增益(information gain)、卡方检验(chi-square test)找到传统的高分特征,并用特征曲线的方法找到对于某个类别识别度高但是分数不高的特征。为了验证FCFS方法的有效性,与5种已有的排序特征选择方法CIFE,MRMR,Relieff,JMI,DISR以及2种子集的特征选择算法FCBF和CFS在UCI数据集SRBCT,Arrhythmia,Urban,Dermatology,SCADI,Libras,Forest 和 Student 上使用相同的分类器以及评价指标进行比较测试,测试结果表明提出方法FCFS是有效的。