基于持续同调的过滤式特征选择算法

现有的过滤式特征选择算法忽略了特征之间的关联性。鉴于此，提出了一种新的过滤式特征选择算法——基于持续同调的特征选择算法(Rel-Betti算法),该算法能够识别特征之间的关联性以及组合效果。通过提出相关贝蒂数概念，筛选出数据集中重要的拓扑特征信息。该算法对数据集进行预处理后，根据类标签将数据集分类，计算不同类中的相关贝蒂数，获得数据信息的特征均值，按特征均值差值大小对特征进行重要性排序。利用UCI数据集中的8个数据，将该算法与其他常见算法在决策树、随机森林、K近邻和支持向量机这4种学习模型下进行比较实验。结果表明，该算法是一种有效的特征选择算法，其能够提高分类的准确率和F1值，并且不依赖于特定的机器学习模型。