1，引言

有关模式识别的一个主要问题是维数灾难。我们将在第7章看到维数很容易变得很大。

    降低维数的必要性有几方面的原因。计算复杂度是一个方面。另一个有关分类器的泛化性能。

    因此，本章的主要任务是：在尽可能保留特征的分类判别信息前提下，来选择重要的和维数少的特征量。这个过程被称作特征选择或者特征降维。

    定量描述来讲，选择的特征应该使得类内距离减小，类间距离增大。

    一些文献表述中使用feature extraction,而不是我们本文使用的featureselection。这将会和第7章的一些描述有些冲突。

    2，预处理

① 离群值删除（outlier removal）

离群值定义为偏离相关变量均值较大的点

② 数据归一化

许多特征值位于不同的动态阈中，而大的特征值对损耗函数会有较大影响。所以归一化到相似阈值会有帮助。

③ 缺失数据

一些特征会从特征量量中缺失。例如遥感在特定区域被其他传感器覆盖的情况就是如此。

3，峰值现象

4，基于统计假设的特征选取

5,接收操作（THE RECEIVER OPERATING）特性曲线

6，类可分性度量

7，特征子集选取

8，最优特征代（OPTIMAL FEATURE GENERATION）

9，神经网络和特征选取

10，一个提示泛化理论

11，贝叶斯信息标准

[模式识别].(希腊)西奥多里蒂斯<第四版>笔记5之__特征选取