进入了互联网时代,海量数据潜藏的价值也越来越巨大,同时也面临着从海量数据中剔除不相关,冗余特征的难度也进一步提高了。特征选择算法作为一种有效的数据处理的技术,已经在当今社会中扮演着越来越重要的角色。特征选择算法的选用一般考虑一下几个因素:分类器性能,能否去除无关特征,能否去除冗余特征以及数据集的规模,但是如果仅仅使用某种特定的算法进行特征选择,往往会只追求单一的因素,例如采用Wrapper模型,可以显著的提高学习算法的性能,使用Relief系列算法可以去除不相关的特征等等。因此为了尽可能多的兼顾以上的几个因素,将不同选择算法的优点结合起来使用,提高算法的性能,使得特征选择算法在数据领域做出更多的贡献。本文也是根据此问题进行研究,提出融合的特征选择算法,并对特定算法进行改进。本文将最大信息系数和改进的和声算法相结合,提出一种新的两阶段特征选择方法MIC-MHS。MIC-MHS算法在第一阶段利用最大信息系数理论知识剔除不相关特征,并根据第一阶段信息分配每个特征的被选概率,由于初步精简子集中会存在冗余特征,所以需要进一步进行特征子集的搜索;在第二阶段根据特征选中概率初始化和声算法的种群,为和声搜索算法提供启发信息,并在基本和声算法的基础上进行改进,使得特征选择概率随迭代次数动态调整,新的和声根据特征选择概率而产生,并且在和声算法中将特征的相关性和特征子集维度作为目标函数。在UCI数据集上的实验表明,该算法可以获得尽量小的子集,并且可以获得较高的分类准确率。为了使本文提出的算法MIC-MHS得到更广泛的应用,本文实现了一个特征选择算法系统,该系统使用springboot框架,Mybatis框架作为数据持久层,前端页面使用的是Bootstrap框架和Thymeleaf模板引擎,通过这个系统设定参数,运行各种特征选择算法并进行结果对比展示。本文创新点如下:(1)在和声算法初始化种群过程中提出一种新的初始化方法,在第一阶段采用最大信息系数度量特征与类别间的相关度,作用不仅是剔除无关特征,还是为第二阶段和声算法提供先验知识;(2)在第二阶段和声搜索算法中,在生成新个体的过程中,保留最优个体,并且以PAR的概率对选中的个体进行微调,由于相关度小的特征组成的特征子集可能比全部是相关度大的特征组成的子集使得分类器准确率高,所以为了搜索潜在的特征子集,微调过程中采用对特征的选中概率进行微调的策略;(3)在设计和声算法的适应度函数时,不仅考虑了特征的相关性、特征子集维度,也考虑到了特征间的冗余度。