文本挖掘之降维技术之特征选择

1、为什么要进行降维处理？

1.多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。

2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。

3.过多的变量会妨碍查找规律的建立。

4.仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能落入仅反映数据某一方面特征的一个组内。

降维的目的：

1.减少预测变量的个数

2.确保这些变量是相互独立的

3.提供一个框架来解释结果

2.1、文档频率(Doeument Frequency DF)

    词条的文档频率(DF)就是指在训练样本集中出现该词条的文档数。在进行特征抽取时,将DF高于某个特定阑值的词条提取出来,低于这个阈值的词条给予滤除。

    DF评估函数的理论假设是稀有词条不含有有用信息,或含有的信息太少不足以对分类产生影响,而应当被去除。然而这种假设与一般的信息抽取观念有点冲突,因为在信息抽取中,有些稀有词条(如类别特征词)却恰恰比那些中频词更能反映类别的特征而不应该被滤除,因此单独使用DF评估函数进行特征选择未免太武断了。

2.2 、文档频率-逆向文档频率特征
  

2.3、互信息（MI）

或者使用这种公式计算

MI的缺点：在文本分类中，MI 特征的不足之处在于极少出现的特征词的 MI 值要大于正常出现特征词的 MI，这一点与文本特征分类恰恰相反。因此，基于 MI 特征的文本分类算法检测性能较差。

2.4、信息增益（IG）

或者用以下公式计算也可以

或者用下面的公式理解

2.5、期望交叉熵（ECE）

2.6、x^2统计法(CHI)

2.7、相关系数（CC）

2.8、文本证据权重

或者以下理解

通过查阅大量的文献,可以得出一些研究者对特征选择算法有如下的评价分类效果最好

的是文本证据权重算法,其次是信息增益、期望交叉熵、卡方,最后是互信息方法。

2.9、几率比（OR）