1、特征選擇是數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等領(lǐng)域的重要研究方向。客觀條件的限制，特征選擇比較復(fù)雜且很難找到最關(guān)鍵的特征集合，導(dǎo)致分類精確度不高、分類器制作困難。開展分組特征選擇算法的研究具有較高的理論意義和實用價值。
　　本文分析研究了支持向量機(jī)、Relief算法、SVM-RFE算法、粒子群算法和離散型粒子群算法，在此基礎(chǔ)上對離散型粒子群算法進(jìn)行了改進(jìn)，對比實驗表明，改進(jìn)后的算法能夠更好地找到特征之間的組結(jié)構(gòu)，同時每個組中特征之間也有很強(qiáng)的相關(guān)

2、性。提出基于特征子集相關(guān)性的分組特征選擇算法，該算法首先運用線性支持向量機(jī)獲取到數(shù)據(jù)屬性的特征系數(shù)，據(jù)之建立用于特征分組的評價模型，然后對每個組內(nèi)的特征距離進(jìn)行優(yōu)化，使得組內(nèi)的距離盡可能小，進(jìn)而找到特征之間的組結(jié)構(gòu)，最后從每個組結(jié)構(gòu)中挑選出代表特征組成特征子集。結(jié)果表明，本算法的分類精確度明顯高于典型的特征選擇算法。提出了基于特征子集差異性的分組特征選擇算法，該算法首先利用特征權(quán)重系數(shù)構(gòu)建分組矩陣，找到最優(yōu)分組結(jié)構(gòu)，然后對組間距離進(jìn)行優(yōu)