新颖的判别性特征选择方法

　　作为数据预处理的一种常用的手段，特征选择不仅能够提高分类器的分类性能，而且能增加对分类结果的解释性。针对基于稀疏学习的特征选择方法有时会忽略一些有用的判别信息而影响分类性能的问题，提出了一种新的判别性特征选择方法-D-LASSO，用于选择出更具有判别力的特征。首先D-LASSO模型包含一L1一范式正则化项，用于产生一个稀疏解；其次，为了诱导出更具有判别力的特征，模型中增加了一个新的判别性正则化项，用于保留同类样本以及不同类样本之间几何分布信息，用于诱导出更具有判别力的特征。在一系列Benchmark数据集上的实验结果表明，与已有方法相比较，D-LASSO不仅能进一步提高分类器的分类精度，而且对参数也较为鲁棒。