Feature Selection for Unsupervised Learning
Feature Selection for Unsupervised Learning
复制标题
DOI：
10.1007/978-3-642-34487-9_47
复制
发表时间：
2012-11
期刊：
影响因子：
--
通讯作者：
J. Adhikary;M. Murty
中科院分区：
文献类型：
--
作者：
J. Adhikary;M. Murty
在本文中，我们提出了一种从大特征空间中识别最佳特征的方法。在高维特征空间中，最近邻搜索是没有意义的。在这个特征空间中，我们看到了最近邻搜索的质量和性能问题。许多数据挖掘算法使用最近邻搜索。所以我们不需要使用所有的特征进行最近邻搜索我们需要选择相关的特征。我们提出了非负矩阵分解（NMF）的特征选择及其在最近邻搜索中的应用。基于局部一致概念分解（LCCF）的聚类算法利用了数据的局部几何结构和判别结构，具有较好的聚类质量。通过使用我们的特征选择方法，我们进一步提高了聚类的性能。
In this paper, we present a methodology for identifying best features from a large feature space. In high dimensional feature space nearest neighbor search is meaningless. In this feature space we see quality and performance issue with nearest neighbor search. Many data mining algorithms use nearest neighbor search. So instead of doing nearest neighbor search using all the features we need to select relevant features. We propose feature selection using Non-negative Matrix Factorization(NMF) and its application to nearest neighbor search.Recent clustering algorithm based on Locally Consistent Concept Factorization(LCCF) shows better quality of document clustering by using local geometrical and discriminating structure of the data. By using our feature selection method we have shown further improvement of performance in the clustering.