bibtype	J - Journal Article
ARLID	0041762
utime	20240103182808.3
mtime	20070119235959.9
title (primary) (eng)	Feature Selection Based on Mutual Correlation
specification	page_count 9 s.
serial	ARLID cav_un_epca*0258518 ISSN 0302-9743 title Lecture Notes in Computer Science volume_id 19 volume 4225 (2006) page_num 569-577
title (cze)	Výběr příznaků založený na vzájemné korelaci
keyword	feature selection
author (primary)	ARLID cav_un_auth*0101093 name1 Haindl name2 Michal institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101197 name1 Somol name2 Petr institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0217777 name1 Ververidis name2 D. country GR
author	ARLID cav_un_auth*0217778 name1 Kotropoulos name2 C. country GR
source	url http://library.utia.cas.cz/separaty/historie/haindl-feature selection based on mutual correlation.pdf
COSATI	09K
cas_special	project project_id 507752 country XE agency EC ARLID cav_un_auth*0200689 project project_id 1ET400750407 agency GA AV ČR ARLID cav_un_auth*0001797 project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 project project_id IAA2075302 agency GA AV ČR ARLID cav_un_auth*0001801 research CEZ:AV0Z10750506 abstract (eng) Feature selection is a critical rocedure in many pattern recognition applications. There are two distinct mechanisms for feature selection namely the wrapper methods and the filter methods. The filter methods are generally considered inferior to wrapper methods, however wrapper methods are computationally more demanding than filter methods. A novel filter feature selection method based on mutual correlation is proposed. We assess the classification performance of the proposed filter method by using the selected features to the Bayes classifier. Alternative filter feature selection methods that optimize either the Bhattacharrrya distance or the divergence are also tested. Furthermore, wrapper feature selection techniques employing several search strategies such as the sequential forward search, the oscillating search, and the sequential floating forward search are also included in the comparative study. A trade off between the classification accuracy and the feature set dimensionality is demonstrated on both two benchmark datasets from UCI repository and two emotional speech data collections. abstract (cze) Výběr příznaků je kritická procedura v mnoha aplikacích rozpoznávání. Metody výběru příznaků se dělí do dvou kategorií wrapper metody a filtrační metody. Filtrační metody se obecně považují za horší než wrapper metody nicméně jsou výpočetně méně náročné. Naše nová filtrační metoda výběru příznaků je založena na vzájemné korelaci. Klasifikační účinnost navržené metody je ověřena na bayesovském klasifikátoru a alternativních filtračních metodách výběru příznaků, které optimalizují Bhattacharryovu vzdálenost nebo divergenci. Metoda je dále porovnána s wrapperovými metodami - sekveční dopředné prohledávání, oscilační hledání a sekveční dopředné plovoucí prohledávání. Vztah mezi klasifikační přesností a dimenzionalitou příznakového prostoru je testován na dvou benchmarkových souborech z UCI databáze a dvou souborech z databáze emocionálních řečových záznamů. action ARLID cav_un_auth*0217721 name Iberoamerican Congress on Pattern Recognition. CIARP 2006 /11./ place Cancun dates 14.11.2006-17.11.2006 country MX reportyear 2007 RIV BD permalink http://hdl.handle.net/11104/0135142 arlyear 2006 mrcbU63 cav_un_epca*0258518 Lecture Notes in Computer Science 0302-9743 Roč. 19 č. 4225 2006 569 577