1、隨著現實世界中文本、圖像、網絡和基因數據等高維數據的廣泛出現，人們發(fā)現在數據挖掘過程中并不是所有的特征都是重要的和有用的，在這類數據集中，有些特征是冗余的甚至是不相關的。為了提高數據挖掘的質量，常常先對數據進行預處理。特征選擇是常用的數據預處理的方法之一，它是通過一定的算法去除這些冗余和不相關特征，選擇原始數據的重要特征子集。降維選擇后的特征能夠提高聚類的速度以及優(yōu)化聚類結果。
　　特征選擇可以根據特征選擇的原始數據有無類標簽分為

2、有監(jiān)督特征選擇和無監(jiān)督特征選擇。有監(jiān)督特征選擇是根據特征與類標簽和特征與特征間的相關性來判斷特征子集的優(yōu)劣。而現實中的數據多數是不帶類信息的，因此無監(jiān)督特征選擇成為了當前的一個研究熱點。傳統(tǒng)的無監(jiān)督特征選擇方法在特征選擇過程中改變了數據的流形，特征選擇后的子集丟失了原有的類信息，失去了與原始數據的對應關系，導致聚類的效果不佳。
　　本文利用流行學習和L1正則化的原理，提出一種基于譜回歸的無監(jiān)督特征選擇方法，利用拉普拉斯矩陣映射獲得