论文部分内容阅读
针对现有属性选择算法平等地对待每个样本而忽略样本之间的差异性，从而使学习模型无法避免噪声样本影响问题，提出一种融合自步学习理论的无监督属性选择(UFS-SPL)算法。首先自动选取一个重要的样本子集训练得到属性选择的鲁棒性初始模型，然后逐步自动引入次要样本提升模型的泛化能力，最终获得一个能避免噪声干扰而同时具有鲁棒性和泛化性的属性选择模型。在真实数据集上与凸半监督多标签属性选择（CSFS）、正则化自表达（RSR）和无监督属性选择的耦合字典学习方法（CDLFS）相比，UFS-SPL的聚类准确率、互信息和纯度平