All

What are you looking for?

All
Projects
Results
Organizations

Quick search

  • Projects supported by TA ČR
  • Excellent projects
  • Projects with the highest public support
  • Current projects

Smart search

  • That is how I find a specific +word
  • That is how I leave the -word out of the results
  • “That is how I can find the whole phrase”

Feature Selection Based on Mutual Correlation

The result's identifiers

  • Result code in IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F06%3A00041762" target="_blank" >RIV/67985556:_____/06:00041762 - isvavai.cz</a>

  • Alternative codes found

    RIV/61384399:31160/06:00025111

  • Result on the web

  • DOI - Digital Object Identifier

Alternative languages

  • Result language

    angličtina

  • Original language name

    Feature Selection Based on Mutual Correlation

  • Original language description

    Feature selection is a critical rocedure in many pattern recognition applications. There are two distinct mechanisms for feature selection namely the wrapper methods and the filter methods. The filter methods are generally considered inferior to wrappermethods, however wrapper methods are computationally more demanding than filter methods. A novel filter feature selection method based on mutual correlation is proposed. We assess the classification performance of the proposed filter method by using theselected features to the Bayes classifier. Alternative filter feature selection methods that optimize either the Bhattacharrrya distance or the divergence are also tested. Furthermore, wrapper feature selection techniques employing several search strategies such as the sequential forward search, the oscillating search, and the sequential floating forward search are also included in the comparative study. A trade off between the classification accuracy and the feature set dimensionality i

  • Czech name

    Výběr příznaků založený na vzájemné korelaci

  • Czech description

    Výběr příznaků je kritická procedura v mnoha aplikacích rozpoznávání. Metody výběru příznaků se dělí do dvou kategorií wrapper metody a filtrační metody. Filtrační metody se obecně považují za horší než wrapper metody nicméně jsou výpočetně méně náročné.Naše nová filtrační metoda výběru příznaků je založena na vzájemné korelaci. Klasifikační účinnost navržené metody je ověřena na bayesovském klasifikátoru a alternativních filtračních metodách výběru příznaků, které optimalizují Bhattacharryovu vzdálenost nebo divergenci. Metoda je dále porovnána s wrapperovými metodami - sekveční dopředné prohledávání, oscilační hledání a sekveční dopředné plovoucí prohledávání. Vztah mezi klasifikační přesností a dimenzionalitou příznakového prostoru je testován na dvou benchmarkových souborech z UCI databáze a dvou souborech z databáze emocionálních řečových záznamů.

Classification

  • Type

    J<sub>x</sub> - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

  • CEP classification

    BD - Information theory

  • OECD FORD branch

Result continuities

  • Project

    Result was created during the realization of more than one project. More information in the Projects tab.

  • Continuities

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>Z - Vyzkumny zamer (s odkazem do CEZ)

Others

  • Publication year

    2006

  • Confidentiality

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Data specific for result type

  • Name of the periodical

    Lecture Notes in Computer Science

  • ISSN

    0302-9743

  • e-ISSN

  • Volume of the periodical

    19

  • Issue of the periodical within the volume

    4225

  • Country of publishing house

    DE - GERMANY

  • Number of pages

    9

  • Pages from-to

    569-577

  • UT code for WoS article

  • EID of the result in the Scopus database