·658· 智能系统学报 第16卷 续表6 对比算法 特征选择算法 所选特征数 分类准确率 Laplacian Score 240 0.8100 Chi-square Test 300 0.7249 Information Gain 210 0.7538 表6显示，算法New-MRMR-F-P的分类准确 Score在数据集Parkinson's Disease上的分类准 率高达0.9124，且此时所选择的特征子集数仅为 确率变化趋势见图15。 150,远小于传统的5种算法的最优特征子集数。 0.9 另外，除了New-MRMR-K-P的分类准确率略低于 传统算法MRMR的分类准确率之外，新提出的其 0.8 余算法均大于传统特征选择算法。由此可见，本 文新提出的特征选择算法在数据集Parkinson's 0.7 Disease上的特征选择效果更好。 Chi-square-Test -MRMR 不同维度下，算法New-MRMR-F-NI、New- 0.6 *New-MRMR-F-NI -New-MRMR-F-P MRMR-F-P,传统特征选择算法MRMR、Fisher- Score在数据集Parkinson's Disease上的分类准 0.5 200 400 600800 确率变化趋势见图14。 数据维度K 0.95 图15 New-MRMR-K-NI、New-MRMR-K-P、Chi-Square- Test、MRMR在数据集Parkinson's Disease上分 类准确率的变化趋势 0.90 Fig.15 Correct classification trend of New-MRMR- K-NI,New-MRMR-K-P,Chi-Square-Test, 0.85 MRMR on the Parkinson's Disease dataset 由图I5可见，在绝大多数维度上，New-MRMR- 0.80 Fisher-Score MrMr F-NI、New-MRMR-F-P的分类准确率均高于 New-MRMR-F-NI New-MRMR-F-P MRMR、Chi-Square-Test的分类准确率。在维度 0.75 0 200 400 600 800 为l20时，New-MRMR-F-NI就已然达到了最大分 数据维度K 类准确率，大于MRMR、Chi-Square-Test的最大分 图14New-MRMR-F-NI、New-MRMR-F-P、Fisher- 类准确率。由此可见，在数据集Parkinson'sDis Score、MRMR在数据集Parkinson's Disease上 ease上，本文新提算法特征选择效果更好。 分类准确率的变化趋势 不同维度下，本文新提出的特征选择算法 Fig.14 Correct classification trend of New-MRMR-F-NI, New-MRMR-F-P,Fisher-Score,MRMR on the New-MRMR-F-NI、New-MRMR-F-P以及传统特征 Parkinson's Disease dataset 选择算法MRMR以及Fisher Score在数据集Par- 图14显示，算法New-MRMR-F-NI的分类准 kinson's Disease上的分类准确率变化趋势见图l6。 确率曲线在传统算法MRMR、Fisher-Score的分类 由图I6可以看出，算法New-MRMR-L-P的 准确率曲线之上。在维度为540时，New-MRMR- 分类准确率的曲线高于传统算法MRMR、Lapla- F-P的分类准确率略低于MRMR的分类准确率。 cian-Score的分类准确率曲线，并且，在维度为 但是，在其余维度上，New-MRMR-F-P的分类准 240时，New-MRMR-L-NI就已经达到了最大分类 确率均高于传统算法MRMR、Fisher-Score的分类 准确率，远小于MRMR达到最大分类准确率时所 准确率。更重要的是，在达到最大分类准确率 选择的特征子集数(540)。由此可见，在数据集 时，New-MRMR-F-NI所选的特征子集数仅为 Parkinson's Disease上，本文新提算法特征选择 2l0,远低于MRMR、Fisher-Score的最优特征子集 效果更好。 数。所以，在数据集Parkinson's Disease上，本 不同维度下，本文新提算法New-MRMR-F- 文新提出的算法特征选择效果更好。 NI、New-MRMR-F-P以及传统算法MRMR、Fish- 不同维度下，本文新提算法New-MRMR-F- er Score在数据集Parkinson's Disease上的分类 NI、New-MRMR-F-P、传统算法MRMR、Fisher- 准确率变化趋势见图17。表 6 显示，算法 New-MRMR-F-P 的分类准确 率高达 0.912 4，且此时所选择的特征子集数仅为 150，远小于传统的 5 种算法的最优特征子集数。 另外，除了 New-MRMR-K-P 的分类准确率略低于 传统算法 MRMR 的分类准确率之外，新提出的其 余算法均大于传统特征选择算法。由此可见，本 文新提出的特征选择算法在数据集 Parkinson’s Disease 上的特征选择效果更好。 不同维度下，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 Parkinson’s Disease 上的分类准 确率变化趋势见图 14。 0.85 0.90 0.95 0.80 0.75 分类准确率 0 200 400 600 800 数据维度 K MRMR Fisher-Score New-MRMR-F-NI New-MRMR-F-P 图 14 New-MRMR-F-NI、New-MRMR-F-P、Fisher￾Score、MRMR 在数据集 Parkinson’s Disease 上 分类准确率的变化趋势 Fig. 14 Correct classification trend of New-MRMR-F-NI, New-MRMR-F-P, Fisher-Score, MRMR on the Parkinson’s Disease dataset 图 14 显示，算法 New-MRMR-F-NI 的分类准 确率曲线在传统算法 MRMR、Fisher-Score 的分类 准确率曲线之上。在维度为 540 时，New-MRMR￾F-P 的分类准确率略低于 MRMR 的分类准确率。 但是，在其余维度上，New-MRMR-F-P 的分类准 确率均高于传统算法 MRMR、Fisher-Score 的分类 准确率。更重要的是，在达到最大分类准确率 时 ，New-MRMR-F-NI 所选的特征子集数仅为 210，远低于 MRMR、Fisher-Score 的最优特征子集 数。所以，在数据集 Parkinson’s Disease 上，本 文新提出的算法特征选择效果更好。 不同维度下，本文新提算法 New-MRMR-F￾NI、New-MRMR-F-P、传统算法 MRMR、Fisher￾Score 在数据集 Parkinson’s Disease 上的分类准 确率变化趋势见图 15。 0.8 0.9 0.7 0.6 0.5 分类准确率 0 200 400 600 800 数据维度 K MRMR Chi-square-Test New-MRMR-F-NI New-MRMR-F-P 图 15 New-MRMR-K-NI、New-MRMR-K-P、Chi-Square￾Test、MRMR 在数据集 Parkinson’s Disease 上分 类准确率的变化趋势 Fig. 15 Correct classification trend of New-MRMR￾K-NI, New-MRMR-K-P, Chi-Square-Test, MRMR on the Parkinson’s Disease dataset 由图 15 可见，在绝大多数维度上，New-MRMR￾F-NI、 New-MRMR-F-P 的分类准确率均高于 MRMR、Chi-Square-Test 的分类准确率。在维度 为 120 时，New-MRMR-F-NI 就已然达到了最大分 类准确率，大于 MRMR、Chi-Square-Test 的最大分 类准确率。由此可见，在数据集 Parkinson’s Dis￾ease 上，本文新提算法特征选择效果更好。 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 以及传统特征 选择算法 MRMR 以及 Fisher Score 在数据集 Par￾kinson's Disease 上的分类准确率变化趋势见图 16。 由图 16 可以看出，算法 New-MRMR-L-P 的 分类准确率的曲线高于传统算法 MRMR、Lapla￾cian-Score 的分类准确率曲线，并且，在维度为 240 时，New-MRMR-L-NI 就已经达到了最大分类 准确率，远小于 MRMR 达到最大分类准确率时所 选择的特征子集数 (540)。由此可见，在数据集 Parkinson’s Disease 上，本文新提算法特征选择 效果更好。 不同维度下，本文新提算法 New-MRMR-F￾NI、New-MRMR-F-P 以及传统算法 MRMR、Fish￾er Score 在数据集 Parkinson’s Disease 上的分类 准确率变化趋势见图 17。 续表 6 对比算法 特征选择算法 所选特征数 分类准确率 Laplacian Score 240 0.810 0 Chi-square Test 300 0.724 9 Information Gain 210 0.753 8 ·658· 智 能 系 统 学 报 第 16 卷