KPLS子空间中基于虚假最近邻的非线性变量选择研究

变量选择是分类中最重要的模型选择问题之一。 提出了一种新的基于局部偏最小二乘(KPLS)子空间中的最近邻(FNN)的方法,以选择简约变量作为非线性建模输入。 首先,将非线性输入简化为KPLS子空间的主要成分。 此外,它们的重要性的顺序是根据FNN在KPLS子空间中启发的距离度量确定的。 这样,识别出了不重要的变量。 最后,使用不同的参数模型研究了3个典型分类问题的变量选择。 结果表明,该方法对非线性模型约简是有效的。 因此,可以用于非线性系统的变量选择。