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
—