LVW（Las Vegas Wrapper）是一種典型的包裹式特征選擇方法，它在拉斯維加斯方法框架下使用隨機策略來進行子集搜索，并以最終分類器的誤差為特征子集評價準則。

與過濾式特征選擇不考慮后續(xù)學(xué)習(xí)器不同，包裹式特征選擇直接把最終要使用的學(xué)習(xí)器的性能作為特征子集的評價準則，換言之，包裹式特征選擇的目的就是為了給定學(xué)習(xí)器選擇最有利于其性能，量身定做的特征子集。

算法描述：

?

紅色箭頭：交叉驗證學(xué)習(xí)器之間的誤差。

紅色框框：判斷條件，是不是該保留這個子集。

LVW 基于拉斯維加斯方法的框架，假設(shè)數(shù)據(jù)集為?D，特征集為?A，則 LVW 每次從特征集?A?中隨機產(chǎn)生一個特征子集?A′，然后使用交叉驗證的方法（偽代碼的第 8 步），在這里也就確定了學(xué)習(xí)器，估計學(xué)習(xí)器在特征子集?A′?上的誤差，若該誤差小于之前獲得的最小誤差，或者與之前的最小誤差相當?shù)?A′中包含的特征數(shù)更少，則將?A′保留下來。

由于 LVW 算法每次評價子集?A′時，都需要重新訓(xùn)練學(xué)習(xí)器，計算開銷很大，因此設(shè)置了參數(shù)?T?來控制停止條件。但當特征數(shù)很多（即?|A|很大）并且?T設(shè)置得很大時，可能算法運行很長時間都不能停止。

【參考文獻】?
《機器學(xué)習(xí)》周志華著.–北京：清華大學(xué)出版社

??

總結(jié)

以上是生活随笔為你收集整理的LVW特征选择算法简单介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。