基于广义稀疏低秩回归的特征选择算法

支晓斌; 高攀; 孟玉

doi:10.13682/j.issn.2095-6533.2026.05.015

西安邮电大学学报 ›› 2026, Vol. 31 ›› Issue (5) : 159 -170. DOI: 10.13682/j.issn.2095-6533.2026.05.015

基于广义稀疏低秩回归的特征选择算法

支晓斌, 高攀, 孟玉

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对基于广义稀疏回归的特征选择（Generalized Sparse Regression based Feature Selection,GSRFS）算法存在忽略类与类之间潜在相关性的问题，提出一种基于广义稀疏低秩回归的特征选择（Generalized Sparse Low-Rank Regression based Feature Selection,GSLRRFS）算法。GSLRRFS算法将广义形式的低秩正则化项引入GSRFS的目标函数，以挖掘类与类之间潜在相关性信息提升算法特征选择性能。同时，将相应优化问题转化为迭代重加权最小二乘问题，利用最小平方QR分解算法进行高效求解。7个真实数据上的对比实验结果表明，在幂函数形式下选取20%特征比例，GSLRRFS算法较GSRFS算法的平均分类精度提升2.31个百分点，平均运行时间缩短为原来的约十分之一，所提算法不仅能有效提升特征选择性能，而且显著降低了运行时间。