0085611 20240103184422.120070913235959.9 10 s. cav_un_epca*02585180302-9743454756 (2007)417-426 Pattern classification feature selection conditional mutual information text categorization cav_un_auth*0101171 Novovičová Jana UTIA-B Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101197 Somol Petr UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101093 Haindl Michal UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101182 Pudil Pavel UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. 507752 XE EC cav_un_auth*0200689 2C06019 GA MŠk CZ cav_un_auth*0216518 1M0572 GA MŠk cav_un_auth*0001814 IAA2075302 GA AV ČR cav_un_auth*0001801 CEZ:AV0Z10750506 We propose a sequential forward feature selection method to find a subset of features that are most relevant to the classification task. Our approach uses novel estimation of the conditional mutual information between candidate feature and classes, given a subset of already selected features which is utilized as a classifier independent criterion for evaluation of feature subsets. The proposed mMIFS-U algorithm is applied to text classification problem and compared with MIFS method and MIFS-U method proposed by Battiti and Kwak and Choi, respectively. Our feature selection algorithm outperforms MIFS method and MIFS-U in experiments on high dimensional Reuters textual data. Byl navržen mMIFS-U algoritmus pro výběr příznaků, založený na novém odhadu kriteria podmíněné vzájemné informace. Algoritmus byl aplikován na problém klasifikace textových dokumentů a porovnán s dříve navrženými algoritmy MIFS a MIFS-U. Účinnost navrženého kriteria byla porovnána při použití naivního Bayesova klasifikátoru pro multinomický model textového dokumentu, lineárního support vektor machine klasifikátoru a k-nejbližších sousedů na Reuters-21578 textových souborech s vysokou dimensionalitou. Klasifikační metody při použití příznaků vybraných pomocí navrženého algoritmu mMIFS-U vykazuje vyšší přesnost klasifikace oproti výše zmíněným algoritmům. 2008 BB http://hdl.handle.net/11104/0148084 2007 cav_un_epca*0258518 Lecture Notes in Computer Science 0302-9743 Roč. 45 č. 4756 2007 417 426