• 基于距離相似度的熵值作為指標(biāo)，進(jìn)行相關(guān)性排序，選擇特征

• 過(guò)其奇異值來(lái)測(cè)量原始數(shù)據(jù)矩陣的熵，評(píng)估每個(gè)特征對(duì)熵的貢獻(xiàn)，并根據(jù)它們各自的熵值對(duì)特征進(jìn)行排序。
• 三種選擇最終特征子集的不同方法:簡(jiǎn)單排序、向前選擇和向后消除

• 表示熵是數(shù)據(jù)集中信息壓縮的一種度量

• 將原始特征集劃分成簇，使得同一簇中的特征高度相似，而不同簇中的特征不相似
• 計(jì)算每個(gè)特征的k-NN特征。然后，選擇具有最緊湊子集的特征，并且丟棄其k-NN最近特征

• 該方法分兩步選擇特征。在該方法中，首先，根據(jù)相關(guān)性度量對(duì)特征進(jìn)行排序。然后，在第二步中，按照在前一步中生成的順序，使用特征相似性度量來(lái)評(píng)估特征，以量化它們之間的冗余度。之后，選擇冗余度最低的前p個(gè)特征。

• 遺傳算法優(yōu)先選擇高信息素值和低相似性，直到達(dá)到預(yù)先指定的停止標(biāo)準(zhǔn)(迭代次數(shù))。最后，選擇那些具有最高信息素值的特征

• 結(jié)合SPEC排序和最小冗余最優(yōu)性準(zhǔn)則的特征選擇方法

• 該方法利用對(duì)象之間的相似性，將線性判別分析(LDA)擴(kuò)展到無(wú)監(jiān)督情況（LLDA）。其思路是遞歸地刪除LLDA判別向量絕對(duì)值最小的特征，以識(shí)別可能揭示樣本中聚類的特征。

• 通過(guò)同時(shí)利用離散矩陣和特征相關(guān)性中包含的判別信息進(jìn)行特征選擇。

• 同時(shí)實(shí)現(xiàn)魯棒聚類和魯棒特征選擇。

• 一種基于k-means和高斯混合聚類算法的進(jìn)化局部選擇算法，來(lái)搜索特征子集和聚類數(shù)目

LLC-fs (Local Learning-based Clustering algorithm with feature selection)

EUFS (Embedded Unsupervised Feature Selection)

• 通過(guò)稀疏學(xué)習(xí)將特征選擇直接嵌入到聚類算法中

DGUFS （Dependence Guided Unsupervised Feature Selection）

• 該方法從包裝器階段開(kāi)始，通過(guò)在用戶指定的集群范圍內(nèi)的數(shù)據(jù)集上運(yùn)行kmeans聚類算法。采用簡(jiǎn)化輪廓準(zhǔn)則對(duì)聚類進(jìn)行評(píng)價(jià)，并選取值最高的聚類。隨后，在濾波階段，利用馬爾可夫方法，通過(guò)貝葉斯網(wǎng)絡(luò)選擇一個(gè)特征子集