·654· 智能系统学报 第16卷 1.0 表4给出了以上各种算法在数据集wave- 0.9 form上的实验结果，即经支持向量机分类后计算 得到的分类准确率达到最大时所选择的特征数。 0.8 表4显示，在数据集waveform上，本文新提 0.7 出的算法New-MRMR-F-P的最大分类准确率达 0.6 -Information-Gain -MRMR 到了0.9534，远大于传统特征选择算法的分类准 .New-MRMR-IG-NI 05 New-MRMR-IG-P 确率；并且New-MRMR-F-P在分类准确率达到最 大时，所选的特征子集数仅为17，小于传统的 0.4 200 400 600 5种特征选择算法在分类准确率达到最大时所选 数据维度K 的特征子集数。除此之外，本文新提出的其余特 图5 New-MRMR-IG-NI、New-MRMR-IG-P、Informa- 征选择算法的分类准确率，也均大于传统的特征 tion-Gain、MRMR在数据集isolet上，分类准确率 选择算法的分类准确率，且所选特征子集数相对 的变化趋势 Fig.5 Correct classification trend of New-MRMR-IG-NI, 来说较小。因此，综合考虑分类准确率以及所选 New-MRMR-IG-P,Information-Gain,MRMR on 特征子集维度两个方面，本文新提算法特征选择 the dataset isolet 效果更加明显。 表4分类准确率最大时数据集waveform上各种算法分别所选择的特征数 Table 4 Number of features selected by various algorithms when the Classification precision is maximum on the waveform dataset 对比算法 特征选择算法 所选特征数 分类准确率 New-MRMR-F-P 16 0.9534 New-MRMR-F-NI 20 0.8904 New-MRMR-IG-P 24 0.8916 New-MRMR-IG-NI 17 0.9000 本文提出的8种算法 New-MRMR-K-P 12 0.9412 New-MRMR-K-NI 20 0.8944 New-MRMR-L-P 17 0.8892 New-MRMR-L-NI 21 0.9344 MRMR 20 0.8624 Fisher Score 40 0.8384 传统算法 Laplacian Score 25 0.7252 Chi-square Test 32 0.8095 Information Gain 33 0.7983 不同维度下，本文新提出的特征选择算法 Score。综合分析，本文新提算法New-MRMR-F- New-MRMR-F-NI、New-MRMR-F-P,传统特征选 NI、New-MRMR-F-P的特征选择效果更好。 择算法MRMR、Fisher Score在数据集wave- 不同维度下，算法New-MRMR-K-NI、New- form上的分类准确率变化趋势见图6。 MRMR-K-P以及传统特征选择算法MRMR以及 由图6看出，在数据集waveform上，New- Chi-Square-Test在数据集waveform上的分类准确 MRMR-F-P的表现最好，其所代表的曲线远高于 率变化趋势见图7。 传统的特征选择算法MRMR、Fisher-Score所代表 图7显示，维度为20时，New-MRMR-K-NI的 的曲线。此外，虽然在维度为24时，算法New- 分类准确率就达到了最大，大于MRMR、Chi- MRMR-F-NI的分类准确率低于传统算法 Square-Test的最大分类准确率。并且其所选特征 MRMR、Fisher--Score。但是，在其余维度上，New- 子集数小于MRMR、Chi-Square-Test的最优特征 MRMR-F-NI的分类准确率均高于MRMR、Fisher-- 子集数。此外，算法New-MRMR-K-P的分类准确MRMR Information-Gain New-MRMR-IG-NI New-MRMR-IG-P 0.9 1.0 0.8 0.7 0.6 0.5 0.4 分类准确率 0 400 600 200 数据维度 K 图 5 New-MRMR-IG-NI、New-MRMR-IG-P、Informa￾tion-Gain、MRMR 在数据集 isolet 上，分类准确率 的变化趋势 Fig. 5 Correct classification trend of New-MRMR-IG-NI, New-MRMR-IG-P, Information-Gain, MRMR on the dataset isolet 表 4 给出了以上各种算法在数据集 wave￾form 上的实验结果，即经支持向量机分类后计算 得到的分类准确率达到最大时所选择的特征数。 表 4 显示，在数据集 waveform 上，本文新提 出的算法 New-MRMR-F-P 的最大分类准确率达 到了 0.953 4，远大于传统特征选择算法的分类准 确率；并且 New-MRMR-F-P 在分类准确率达到最 大时，所选的特征子集数仅为 17，小于传统的 5 种特征选择算法在分类准确率达到最大时所选 的特征子集数。除此之外，本文新提出的其余特 征选择算法的分类准确率，也均大于传统的特征 选择算法的分类准确率，且所选特征子集数相对 来说较小。因此，综合考虑分类准确率以及所选 特征子集维度两个方面，本文新提算法特征选择 效果更加明显。 表 4 分类准确率最大时数据集 waveform 上各种算法分别所选择的特征数 Table 4 Number of features selected by various algorithms when the Classification precision is maximum on the waveform dataset 对比算法 特征选择算法 所选特征数 分类准确率 本文提出的8种算法 New-MRMR-F-P 16 0.953 4 New-MRMR-F-NI 20 0.890 4 New-MRMR-IG-P 24 0.891 6 New-MRMR-IG-NI 17 0.900 0 New-MRMR-K-P 12 0.941 2 New-MRMR-K-NI 20 0.894 4 New-MRMR-L-P 17 0.889 2 New-MRMR-L-NI 21 0.934 4 传统算法 MRMR 20 0.862 4 Fisher Score 40 0.838 4 Laplacian Score 25 0.725 2 Chi-square Test 32 0.809 5 Information Gain 33 0.798 3 不同维度下，本文新提出的特征选择算法 New-MRMR-F-NI、New-MRMR- F-P，传统特征选 择算法 MRMR、Fisher Score 在数据集 wave￾form 上的分类准确率变化趋势见图 6。 由图 6 看出，在数据集 waveform 上 ，New￾MRMR-F-P 的表现最好，其所代表的曲线远高于 传统的特征选择算法 MRMR、Fisher-Score 所代表 的曲线。此外，虽然在维度为 24 时，算法 New￾MRMR-F-N I 的分类准确率低于传统算 法 MRMR、Fisher-Score。但是，在其余维度上，New￾MRMR-F-NI 的分类准确率均高于 MRMR、Fisher￾Score。综合分析，本文新提算法 New-MRMR-F￾NI、New-MRMR-F-P 的特征选择效果更好。 不同维度下，算法 New-MRMR-K-NI、New￾MRMR-K-P 以及传统特征选择算法 MRMR 以及 Chi-Square-Test 在数据集 waveform 上的分类准确 率变化趋势见图 7。 图 7 显示，维度为 20 时，New-MRMR-K-NI 的 分类准确率就达到了最大，大于 MRMR、Chi￾Square-Test 的最大分类准确率。并且其所选特征 子集数小于 MRMR、Chi-Square-Test 的最优特征 子集数。此外，算法 New-MRMR-K-P 的分类准确 ·654· 智 能 系 统 学 报 第 16 卷