用特徵選擇造句子，“特徵選擇”造句

實驗表明，特徵子集的不確定*係數作為特徵選擇度量是合理和可行的。

基於離散時頻分佈的信號識別方法，將時頻核設計問題轉化為以信號自模糊函數為原始特徵的特徵選擇問題，以實現特徵降維和信號識別。

針對這一問題，提出了一種基於聚類的特徵選擇方法，先使用聚類的方法對特徵間的宂餘*進行裁減，然後使用信息增益的方法選取類別區分能力強的特徵。

實驗結果表明，該算法有效改進跡比準則特徵選擇算法，同時降低錯分率。

首先在無噪聲的環境下提取了木材的共生矩陣紋理原始特徵參數，並對其進行特徵選擇，進而建立了木材紋理參數體系。

特徵選擇和特徵抽取是維數約簡常用的兩種方法。

任何一門學科都具有其知識結構特徵，根據特徵選擇教學方法有益於教學目的的實現。

對於一個給定的待分類模式，特徵選擇要求人們從大量的特徵中選取一個最優特徵子集，以代表被分類的模式。

利用最大餘量原理的特徵選擇算法在目前的機器學習研究中已經佔據了重要的地位。

和傳統的方法不同，該文所涉及的特徵是從句子中提取的不同長度的詞組，然後用比數比來對其進行特徵選擇。

儘管出現了大量的特徵選擇算法，特徵選擇仍然面臨着新的挑戰：如何處理高維海量的樣本。

實驗結果表明此種特徵選擇方法的微平均F1和宏平均F1較高。

在自動文本分類系統中，特徵選擇是有效降低文本向量維數的一種方法。

由於其可在單幅多元圖中顯示多個觀察，因此適用於模式識別領域中的特徵選擇與分類空間形成。

評估指標體系的選取是企業信用評估的首要問題，它是一個特徵選擇問題。

可根據實驗模型的佈局特徵選擇在水平面內可變形狀的零洞壁干擾目標線，以改善模型區殘餘干擾分佈特*。

優化特徵選擇，選定面積、周長、長軸、短軸、歐拉數、幾何矩等共12個特徵參數作為神經網絡輸入向量進行分類試驗。

提出兩種適用於微機系統的特徵選擇方法——相關分析法和二步選擇法；

針對未知類標號的樣本集，提出基於中心距離比值準則的無監督特徵選擇算法。

並利用特徵選擇算法自動選擇最優的特徵組合，同時對比同樣的特徵下最大熵模型與支撐向量機模型的表現。