概述

在模式识别任务中，高维特征往往会引发“维数灾难”，而特征提取与选择是解决这一问题的核心技术。二者均以“保留关键分类信息、压缩特征维度”为目标，但实现路径存在本质差异。

1.1 核心问题：维数灾难

维数灾难是高维特征空间的固有缺陷，直接影响分类器性能，其核心表现可概括为三点：

• 性能波动：分类器精度随特征个数增长先上升后下降，当特征过多时，冗余信息会抵消有效信息的作用。
• 样本稀疏：随着特征维数增加，有限样本在空间中的分布会越来越稀疏，导致传统距离度量（如欧氏距离）失效。
• 计算激增：高维特征会大幅增加模型的计算复杂度和存储成本，例如1000维特征的处理成本远高于100维。

1.2 特征提取与选择的定义与区别

特征提取与选择均旨在从D维原始特征中获取d维有效特征（d<D），但操作逻辑完全不同。二者的核心差异如下表所示：

对比维度	特征选择	特征提取
核心操作	从原始特征中筛选子集	对原始特征进行线性/非线性变换
目标函数	使筛选出的子集满足可分性判据最大化	使变换后的子空间满足可分性判据最大化
数据完整性	保留原始特征的物理意义	可能丢失原始特征的物理意义（如PCA主成分）
代表算法	分支定界法、Relief、SFS	主成分分析（PCA）、独立成分分析（ICA）、LDA

1.3 数学描述与核心原则

1.3.1 数学建模

给定n个D维原始数据点构成的集合 X = { x 1 , x 2 , … , x n } ∈ R D × n X = \left\{ x _ { 1 } , x _ { 2 } , \ldots , x _ { n } \right\} \in \mathbb{R} ^ { D \times n } X={x1​,x2​,…,xn​}∈RD×n，特征提取与选择可统一描述为：
寻找映射$x\in {\mathbb{R}}^D\stackrel{P}{\to }y\in {\mathbb{R}}^d$（d<D），得到降维后的数据集合 Y = { y 1 , y 2 , … , y n } ∈ R d × n Y = \left\{ y _ { 1 } , y _ { 2 } , \ldots , y _ { n } \right\} \in \mathbb{R} ^ { d \times n } Y={y1​,y2​,…,yn​}∈Rd×n。

其中，P在特征选择中是“筛选矩阵”（仅保留部分维度），在特征提取中是“变换矩阵”（如PCA的特征向量矩阵）。

1.3.2 核心原则

映射P的设计需遵循“可分性判据最大化”原则，即：
$$J(x_1,x_2,\cdots ,x_d)=\max \left[J(x_{i_1},x_{i_2},\cdots ,x_{i_d})\right]$$
式中$J(\cdot )$为可分性判据，用于衡量特征子集/变换后子空间的分类有效性（如类间距离、互信息等）。

1.3.3 本质理解

无论是提取还是选择，本质都是在D维原始空间${\mathbb{R}}^D$中寻找一个d维子空间$W$。新特征的生成方式为：

• 子空间$W$由基向量张成： W = Span { β 1 , β 2 , ⋯   , β d } W = \text{Span}\{\beta_1, \beta_2, \cdots, \beta_d\} W=Span{β1​,β2​,⋯,βd​}（${\beta }_i$为子空间的基）。
• 原始数据$x$向$W$投影，得到近似表示$\hat{x}={\sum }_{i=1}^d{b}_i{\beta }_i$，其中$b_i$即为降维后的新特征值。

类别可分性判据

可分性判据是特征提取与选择的“指南针”，用于量化特征对分类任务的贡献度。其核心要求包括：与误判概率单调性（判据值越大，误判概率越低）、可加性（多特征贡献可叠加）、对特征数单调不减（增加特征不会降低判据值）。

2.1 基于几何距离的可分性判据

该类判据从“特征空间中类别分布的几何位置”出发，通过距离或离差矩阵衡量类别差异，适用于已知类别分布的场景。

2.1.1 核心概念

• 类内离差矩阵$S_W$：描述同一类别内部样本的离散程度，$S_W={\sum }_{i=1}^{c}P({\omega }_i)S_i$（$S_i$为第i类的协方差矩阵，$P({\omega }_i)$为第i类的先验概率）。
• 类间离差矩阵$S_B$：描述不同类别均值之间的离散程度，$S_B={\sum }_{i=1}^{c}P({\omega }_i)({\mu }_i-\mu )({\mu }_i-\mu {)}^T$（${\mu }_i$为第i类均值，$\mu$为总体均值）。
• 总体离差矩阵$S_T$：描述所有样本的总离散程度，$S_T=S_W+S_B$。

2.1.2 常用判据公式

基于上述矩阵，常用的可分性判据如下（均需最大化，除特别标注外）：
$$J_1=\text{Tr}\left[S_W^{-1}{S}_B\right]\text{（迹比判据，反映类间与类内离差的比值）}$$
$$J_2=\frac{\text{Tr}\left[S_B\right]}{\text{Tr}\left[S_W\right]}\text{（迹的比值，简洁易计算）}$$
$$J_3=\text{Tr}\left[S_W^{-1}{S}_T\right]\text{（结合总体离差，间接反映类间差异）}$$
$$J_4=\frac{\left|S_T\right|}{\left|S_W\right|}\text{（行列式比，反映矩阵的“体积”比）}$$
$$J_5=\text{Tr}\left[S_T^{-1}{S}_W\right]\text{（需最小化，等价于最大化类间占比）}$$
$$J_6=\left|S_T^{-1}{S}_W\right|\text{（需最小化，同J5的行列式形式）}$$
$$J_7=\frac{\text{Tr}\left[S_T\right]}{\text{Tr}\left[S_W\right]}\text{（总体与类内迹比，直观反映总离散度中类内占比）}$$

2.2 基于概率密度函数的可分性判据

该类判据从“类别概率分布重叠程度”出发，通过积分量化两类概率密度函数（PDF）的差异，适用于已知或可估计PDF的场景。

2.2.1 核心要求

构造的判据$J_p$需满足三个条件：

1. 非负性：$J_p\ge 0$；
2. 极值性：当两类PDF完全不重叠时，$J_p=\max$；当两类PDF完全重合时，$J_p=0$；
3. 对称性：$J_p({\omega }_1,{\omega }_2)=J_p({\omega }_2,{\omega }_1)$。

2.2.2 常用判据

• Bhattacharyya判据：衡量两类PDF的平均重叠度，计算简便，适用于小样本场景：
  $$J_B=-\ln \left[{\int }_{{\mathbb{R}}^D}\sqrt{p(x|{\omega }_1)p(x|{\omega }_2)}dx\right]$$
  式中$p(x|{\omega }_i)$为第i类的PDF，$J_B$越大，两类重叠度越低。

• Chernoff判据：Bhattacharyya判据的推广，引入参数$\alpha \in [0,1]$控制两类权重：
  $$J_C=-\ln \left[{\int }_{{\mathbb{R}}^D}{p}^{\alpha }(x|{\omega }_1)p^{1-\alpha }(x|{\omega }_2)dx\right]$$
  当$\alpha =0.5$时，$J_C=J_B$。

• 散度（Divergence）：衡量两类PDF的“双向KL散度”，对分布差异更敏感：
  $$J_D={\int }_{{\mathbb{R}}^D}p(x|{\omega }_1)\ln \frac{p(x|{\omega }_1)}{p(x|{\omega }_2)}dx+{\int }_{{\mathbb{R}}^D}p(x|{\omega }_2)\ln \frac{p(x|{\omega }_2)}{p(x|{\omega }_1)}dx$$

2.3 基于后验概率的可分性判据

该类判据从“样本属于不同类别的后验概率差异”出发，借用信息论中的“熵”量化不确定性，适用于概率模型（如贝叶斯分类器）。

2.3.1 核心概念：后验熵

设样本x属于类别${\omega }_i$的后验概率为$P({\omega }_i|x)\widehat{=}{p}_i$（满足${\sum }_{i=1}^c{p}_i=1$，c为类别数），则后验熵定义为：
$$H_c(x)=H_c(p)=-\sum _{i=1}^c{p}_i\log p_i$$

熵$H_c(x)$的物理意义是“后验概率的不确定性”：

• 当x明确属于某一类（如$p_1=1,p_2=\cdots =p_c=0$）时，$H_c(x)=0$（不确定性最低）；
• 当x属于各类的概率均等（如$p_1=p_2=\cdots =p_c=1/c$）时，$H_c(x)=\log c$（不确定性最高）。

2.3.2 熵的性质

• 非负性：$H_c(x)\ge 0$；
• 上界性：$H_c(x)\le \log c$；
• 对称性：熵值与类别顺序无关；
• 上凸性：熵是后验概率$p$的上凸函数，存在唯一最小值。

2.3.3 可分性判据设计

由于熵越小，分类不确定性越低，因此判据目标为“最小化熵的期望”：
$$J_H=E\left[H_c(x)\right]={\int }_{{\mathbb{R}}^D}{H}_c(x)p(x)dx\text{（需最小化）}$$
式中$p(x)$为样本的边缘PDF。此外，也可通过“广义熵”（如α-熵）构造更灵活的判据。

2.4 基于联合概率的可分性判据

该类判据从“特征与类别之间的统计相关性”出发，借用信息论中的“互信息”量化特征对类别的区分能力，适用于特征与类别均为离散变量的场景。

2.4.1 核心概念：互信息

设X为特征变量（取值$x\in X$），Y为类别变量（取值$y\in Y$），则X与Y的互信息定义为：
$$I(X,Y)=\sum _{x\in X}\sum _{y\in Y}p(x,y){\log }_2\frac{p(x,y)}{p(x)p(y)}$$

互信息的物理意义是“特征X包含的关于类别Y的信息量”：

• 若$I(X,Y)=0$，则X与Y独立，特征X对分类无帮助；
• 若$I(X,Y)$越大，特征X与类别Y的相关性越强，分类贡献越大。

2.4.2 可分性判据设计

基于互信息的特征选择/提取逻辑如下：

1. 计算每个原始特征$x_j$与类别Y的互信息$I(x_j,Y)$；
2. 选择互信息最大的前d个特征（特征选择），或通过变换构造互信息最大的子空间（特征提取）；
3. 对于多特征场景，需考虑特征间的冗余性（如通过“条件互信息”筛选无冗余的特征组合）。

基于可分性判据的特征提取与选择

基于上述可分性判据，可设计具体的特征降维方法。核心思路是：通过优化判据函数，求解最优的“特征子集”（选择）或“变换矩阵”（提取）。

3.1 核心框架：变换矩阵的设计

特征提取的核心是设计变换矩阵$W\in {\mathbb{R}}^{D\times d}$，使降维后的数据$y=W^{T}x$满足可分性判据最大化。求解$W$的步骤通常为：

1. 确定目标判据（如$J_1=\text{Tr}(W^T{S}_{B}W(W^T{S}_{W}W{)}^{-1})$）；
2. 通过矩阵求导、拉格朗日乘数法等数学工具，求解使判据最大的$W$；
3. 验证降维后的数据是否满足分类需求，必要时调整d的取值。

3.2 基于不同判据的变换方法

3.2.1 基于离差阵判据的变换

以$J_1=\text{Tr}(S_W^{-1}{S}_B)$为例，其对应的最优变换矩阵$W$由$S_W^{-1}{S}_B$的前d个最大特征值对应的特征向量构成。

• 物理意义：这些特征向量方向是“类间差异最大、类内差异最小”的方向，能最大限度保留分类信息。
• 适用场景：多类分类问题，且类内分布近似高斯分布。

3.2.2 基于$J_B$、$J_C$判据的变换

Bhattacharyya判据$J_B$对应的最优变换需最大化两类PDF的分离度。对于高斯分布场景（$p(x|{\omega }_i)\sim \mathcal{N}({\mu }_i,{\Sigma }_i)$），$J_B$可简化为：
$$J_B=\frac{1}{8}({\mu }_1-{\mu }_2{)}^T{\Sigma }^{-1}({\mu }_1-{\mu }_2)+\frac{1}{2}\ln \frac{|\Sigma |}{\sqrt{|{\Sigma }_1||{\Sigma }_2|}}$$
（$\Sigma =\frac{1}{2}({\Sigma }_1+{\Sigma }_2)$为平均协方差矩阵）
此时最优变换矩阵由${\Sigma }^{-1}({\mu }_1-{\mu }_2)$的方向构成，即“类均值差异方向”。

3.2.3 基于$J_D$判据的变换

散度$J_D$对分布差异更敏感，其最优变换需最大化两类PDF的双向KL散度。对于高斯分布，$J_D$可简化为：
$$J_D=\frac{1}{2}\text{Tr}\left[({\Sigma }_1^{-1}+{\Sigma }_2^{-1})({\Sigma }_1-{\Sigma }_2)\right]+\frac{1}{2}({\mu }_1-{\mu }_2{)}^T({\Sigma }_1^{-1}+{\Sigma }_2^{-1})({\mu }_1-{\mu }_2)$$
最优变换矩阵由${\Sigma }_1^{-1}{\Sigma }_2$的特征向量构成，适用于类协方差矩阵差异较大的场景。

3.3 多类情况的处理

当类别数c>2时，需将两类判据扩展为多类判据，常用方法有：

1. 两两类别法：计算所有两两类别对的判据（如$J_B({\omega }_i,{\omega }_j)$），取平均值作为总判据；
2. 全局判据法：直接使用多类离差阵（如$S_W,S_B$）构造判据（如$J_1=\text{Tr}(S_W^{-1}{S}_B)$）；
3. 层次分解法：将多类问题分解为多个二类子问题（如One-vs-Rest），分别设计变换矩阵后融合。

最佳鉴别矢量的提取

最佳鉴别矢量是“单维最优特征方向”，即能使可分性判据最大的单个特征向量。多个最佳鉴别矢量构成“最佳鉴别矢量集”，可实现多维特征提取。

4.1 Fisher鉴别矢量

Fisher鉴别矢量是最经典的线性鉴别矢量，针对二类问题设计，核心目标是“最大化类间距离、最小化类内距离”。

4.1.1 目标函数

设两类样本的均值分别为${\mu }_1,{\mu }_2$，类内离差分别为$S_1,S_2$，则Fisher目标函数为：
$$J(\omega )=\frac{({\omega }^T({\mu }_1-{\mu }_2){)}^2}{{\omega }^T(S_1+S_2)\omega }$$
式中$\omega$为待求的鉴别矢量，分子为类间距离的平方，分母为总类内离差。

4.1.2 求解结果

通过拉格朗日乘数法求解$J(\omega )$的最大值，可得最优Fisher鉴别矢量：
$${\omega }^{\ast }=(S_1+S_2{)}^{-1}({\mu }_1-{\mu }_2)$$
即${\omega }^{\ast }$与“类均值差异向量”在“类内离差矩阵逆”变换后的方向一致。

4.2 最佳鉴别矢量集

对于多类问题或需提取多维特征的场景，需构造最佳鉴别矢量集 { ω 1 , ω 2 , … , ω d } \{\omega_1, \omega_2, \dots, \omega_d\} {ω1​,ω2​,…,ωd​}，常用方法包括Foley-Sammon变换和广义最佳鉴别矢量集。

4.2.1 Foley-Sammon变换

Foley-Sammon变换是多类线性鉴别分析（LDA）的核心方法，目标是“使提取的d个特征向量相互正交，且每个向量都最大化类间与类内离差比”。

其求解步骤为：

1. 计算多类离差阵$S_W$和$S_B$；
2. 求解广义特征值问题$S_B\omega =\lambda S_W\omega$；
3. 选取前d个最大特征值对应的特征向量 { ω 1 , … , ω d } \{\omega_1, \dots, \omega_d\} {ω1​,…,ωd​}，构成鉴别矢量集。

该方法的优势是：提取的特征向量正交，且能保证多类场景下的全局鉴别能力。

4.2.2 基于Fisher的多类鉴别矢量

将二类Fisher鉴别矢量扩展到多类场景，可通过“最大化总体Fisher判据”实现：
$$J(\omega )=\frac{{\omega }^T{S}_B\omega }{{\omega }^T{S}_W\omega }$$
求解该目标函数的最大值，可得最优鉴别矢量为$S_W^{-1}{S}_B$的最大特征值对应的特征向量。重复该过程（每次正交化已选向量），可得到d个鉴别矢量构成的集合。

主成分分析（PCA）

PCA是最常用的无监督特征提取方法，又称Karhunen-Loève（K-L）变换，核心思想是“保留数据中方差最大的方向”，实现数据压缩与去噪。

5.1 PCA的基本概念

5.1.1 别名与应用场景

PCA在不同领域有不同名称，但其数学本质一致：

• 信号处理：K-L变换；
• 统计学：主成分分析；
• 自然语言处理：潜在语义分析（LSA）；
• 工程领域：经验直交函数（气象）、本征正交分解（机械）。

其典型应用包括：高维数据降维（如图像像素降维）、数据压缩（如PCA压缩图像）、信号去噪（如去除传感器噪声）。

5.1.2 核心动机

高维数据的方差往往集中在少数几个“主方向”上，这些方向由数据的内在结构决定。PCA的动机是：通过正交变换，将数据投影到这些主方向上，保留方差最大的前d个方向，从而在最小化信息损失的前提下实现降维。

5.2 离散K-L变换（DKLT）

PCA的数学基础是离散K-L变换，其核心是基于数据的协方差阵或相关阵构造正交变换矩阵。

5.2.1 前提约定

设D维随机向量$x=(x_1,x_2,\dots ,x_D{)}^T$，定义：

• 均值向量：$\overline{x}=E[x]$（E[·]为期望算子）；
• 协方差阵：$C_x=E\left[(x-\overline{x})(x-\overline{x}{)}^T\right]$；
• 相关阵：$R_x=E\left[x{x}^T\right]$（当$\overline{x}=0$时，$C_x=R_x$）；
• 正交变换：$y=T^{T}x$（$T$为D×D正交矩阵，满足$T^{T}T=I$）。

5.2.2 DKLT的两种形式

1. 基于协方差阵的DKLT：
   变换矩阵$T$由$C_x$的特征向量构成，即$C_{x}T=T\Lambda$（$\Lambda$为$C_x$的特征值对角阵）。
   降维时，取$T$的前d个特征向量构成$T_d$，则降维后的数据为$y=T_d^T(x-\overline{x})$（需先减去均值，使数据中心化）。

2. 基于相关阵的DKLT：
   变换矩阵$T$由$R_x$的特征向量构成，适用于各特征量纲差异较大的场景（如身高（cm）与体重（kg））。

5.3 DKLT的核心性质

PCA的优势源于DKLT的优良性质，这些性质保证了降维的有效性：

1. 正交性/不相关性：变换后的数据$y$的协方差阵$C_y=T^T{C}_{x}T=\Lambda$（对角阵），即各主成分之间不相关。
2. 方差集中性：特征值${\lambda }_i$对应第i个主成分的方差，且${\lambda }_1\ge {\lambda }_2\ge \cdots \ge {\lambda }_D$，即前d个主成分的方差之和占总方差的比例最高（通常需≥85%）。
3. 最佳逼近性：在所有d维正交变换中，PCA的均方误差（MSE）最小，即$MSE=E\left[\Vert x-\hat{x}{\Vert }^2\right]={\sum }_{i=d+1}^D{\lambda }_i$（$\hat{x}$为x的重构值）。
4. 能量集中性：数据的“能量”（方差）主要集中在前d个主成分，后续成分可视为噪声，因此PCA兼具去噪功能。
5. 不确定性最小：变换后数据的熵最小（熵与方差正相关），即数据的不确定性最低，信息更明确。

5.4 标准PCA的实现步骤

PCA的工程实现步骤清晰，可概括为5步：

1. 数据中心化：计算每个特征的均值${\overline{x}}_j=\frac{1}{n}{\sum }_{i=1}^n{x}_{ij}$，将原始数据减去均值，得到零均值数据$z_i=x_i-\overline{x}$（$i=1,\dots ,n$）。
2. 计算协方差阵：对零均值数据，协方差阵$C=\frac{1}{n-1}Z{Z}^T$（$Z=[z_1,z_2,\dots ,z_n]\in {\mathbb{R}}^{D\times n}$）。
3. 求解特征值与特征向量：通过特征值分解（EVD）或奇异值分解（SVD），求解$C$的特征值${\lambda }_1\ge \cdots \ge {\lambda }_D$和对应的特征向量${\beta }_1,\dots ,{\beta }_D$。
4. 选择主成分：根据方差贡献率（$\frac{{\sum }_{i=1}^d{\lambda }_i}{{\sum }_{i=1}^D{\lambda }_i}$），选择前d个特征向量，构成特征向量矩阵$T_d=[{\beta }_1,\dots ,{\beta }_d]\in {\mathbb{R}}^{D\times d}$。
5. 数据投影：将零均值数据投影到主成分空间，得到降维后的数据$Y=T_d^{T}Z\in {\mathbb{R}}^{d\times n}$。

5.5 PCA的不足与扩展

5.5.1 主要不足

1. 依赖二阶统计量：PCA仅利用数据的协方差阵（二阶矩），无法捕捉高阶统计信息（如非高斯分布的峰度、偏度）。
2. 样本需求量大：协方差阵的估计需要大量样本（通常样本数≥5D），否则估计精度低。
3. 计算复杂度高：高维数据（如D>1000）的特征值分解耗时，需借助SVD或增量PCA优化。
4. 无鉴别能力：PCA是无监督方法，未利用类别信息，因此降维后的数据可能不利于分类（相比有监督的LDA）。

5.5.2 常见扩展方法

为解决上述不足，PCA的扩展方法主要针对“非线性”和“监督信息”：

• 多维尺度分析（MDS）：通过保持样本间距离，实现非线性降维；
• 核PCA（KPCA）：通过核函数将数据映射到高维特征空间，再在该空间进行PCA，实现非线性降维；
• 神经网络方法：如自编码器（Autoencoder），通过神经网络学习非线性降维映射；
• 流形学习：如ISOMAP、LLE，假设数据位于低维流形上，通过保持流形结构实现降维。

特征选择中的直接挑选法

特征选择的直接挑选法是“从原始特征中筛选子集”的经典方法，核心包含“子集搜索”和“子集评价”两个环节：前者负责生成候选特征子集，后者通过可分性判据评价子集优劣。

6.1 特征选择的核心要素

6.1.1 定义与目标

特征选择的定义是：从D个原始特征中选择d个特征构成子集 S ⊆ { 1 , 2 , … , D } S \subseteq \{1,2,\dots,D\} S⊆{1,2,…,D}（|S|=d），使可分性判据$J(S)$最大，即 J ( S ) = max ⁡ S ⊆ { 1 , … , D } , ∣ S ∣ = d J ( S ) J(S) = \max_{S \subseteq \{1,\dots,D\}, |S|=d} J(S) J(S)=maxS⊆{1,…,D},∣S∣=d​J(S)。

其核心目标是：在保留分类信息的前提下，去除冗余特征和噪声特征，降低模型复杂度。

6.1.2 三大方法类型

根据“子集评价是否依赖学习器”，特征选择方法可分为三类：

方法类型	核心逻辑	优点	缺点	代表算法
过滤式（Filter）	独立于学习器，仅通过数据统计特性评价子集（如互信息、Relief）	计算快、通用性强	未考虑学习器特性，可能筛选出对特定学习器无用的特征	Relief、互信息法
包裹式（Wrapper）	以学习器的性能（如分类准确率）作为评价准则，将学习器作为“黑盒”包裹	针对性强，性能通常优于过滤式	计算复杂度高（需反复训练学习器）	SVM-REF、遗传算法
嵌入式（Embedded）	将特征选择与学习器训练融合，在训练过程中自动筛选特征（如正则化）	效率高，兼顾性能与复杂度	依赖特定学习器，通用性弱	L1正则化（Lasso）、决策树

其中，L1正则化的数学表达为：
$$\underset{w}{\min }\sum _{i=1}^N(l_i-w^T{x}_i{)}^2+\lambda \Vert w{\Vert }_1$$
式中$\lambda$为正则化参数，$\Vert w{\Vert }_1$为L1范数，通过惩罚系数$w$的绝对值，使部分特征的系数为0，从而实现特征选择。

6.2 子集搜索方法

子集搜索是特征选择的关键环节，目标是高效遍历特征子集空间（共$2^D-1$个非空子集），找到最优子集。根据搜索策略，可分为“次优搜索”和“最优搜索”两类。

6.2.1 次优搜索法

次优搜索法以“牺牲部分最优性”换取“计算效率”，适用于D较大的场景（如D>20），常见方法包括：

1. 单独最优法：计算每个特征单独使用时的判据值，选择前d个判据最大的特征。

   • 优点：计算最快；缺点：未考虑特征间的协同作用，可能遗漏有效组合。

2. 序列前向选择（SFS）：从空集开始，每次添加“使当前子集判据最大”的特征，直至子集大小为d。

   • 优点：逐步优化；缺点：存在“贪心陷阱”，无法回溯删除冗余特征。

3. 序列后向选择（SBS）：从全特征集开始，每次删除“使剩余子集判据最大”的特征，直至子集大小为d。

   • 优点：避免遗漏重要特征；缺点：计算复杂度高于SFS。

4. 增l减r法（l-r法）：在SFS/SBS基础上增加回溯机制，例如每次添加l个特征后，删除r个冗余特征（如l=2, r=1）。

   • 优点：减少贪心陷阱影响；缺点：需调整l和r的参数。

5. 可分性判据递推算法：在添加/删除特征时，通过递推公式更新判据值（无需重新计算整个子集的判据），大幅提升效率。

   • 例如：添加特征$x_k$时， J ( S ∪ { k } ) = J ( S ) + Δ J J(S \cup \{k\}) = J(S) + \Delta J J(S∪{k})=J(S)+ΔJ（$\Delta J$为$x_k$的增量贡献）。

6.2.2 最优搜索法

最优搜索法能保证找到全局最优子集，但计算复杂度高，适用于D较小的场景（如D≤15），常见方法包括：

1. 穷举法：遍历所有大小为d的特征子集，计算每个子集的判据值，选择最大者。

   • 优点：全局最优；缺点：复杂度为$\left(\genfrac{}{}{0ex}{}{D}{d}\right)$，D=20时$\left(\genfrac{}{}{0ex}{}{20}{10}\right)=184756$，计算量巨大。

2. 分支定界法：基于“树结构”和“判据单调性”进行剪枝，避免无效搜索。

   • 树结构：根节点为全特征集，每个子节点比父节点少1个特征；
   • 搜索策略：自上而下、从右至左遍历树，通过“当前界值”（已找到的最优判据值）剪枝：若某节点的子节点最大可能判据≤当前界值，则无需遍历该子节点的所有后代；
   • 优点：全局最优且效率高于穷举法；缺点：依赖判据的单调性（如$J(S)\ge J(S^{\prime })$若$S^{\prime }\subseteq S$）。

总结

特征提取与选择是解决维数灾难的核心技术，二者的本质都是“在降维的同时保留关键分类信息”，但路径不同：

• 特征提取通过变换生成新特征，适用于原始特征冗余度高、物理意义不明确的场景（如PCA）；
• 特征选择通过筛选保留原始特征，适用于需保留特征物理意义、样本量较小的场景（如分支定界法）。

在实际应用中，需根据数据维度、类别信息、计算资源等因素选择合适的方法：无监督场景优先考虑PCA，有监督场景优先考虑LDA或基于互信息的选择方法，高维数据优先使用次优搜索的过滤式选择。