高維數(shù)據(jù)特征選擇是數(shù)據(jù)挖掘的重要組成部分，可廣泛應用于生物信息學、統(tǒng)計學及圖像處理等領域。有效選擇信息特征可顯著提高學習精度和結果的可解釋性。為提高分類精度，許多現(xiàn)有特征選擇方法通過去除數(shù)據(jù)中的冗余和不相關特征來識別信息特征。由于特征維數(shù)隨數(shù)據(jù)規(guī)模的增大而增加，易出現(xiàn)維數(shù)災難和過擬合問題；數(shù)據(jù)高維性不僅增加算法的時間和空間復雜度，也會降低算法的求解精度。針對高維數(shù)據(jù)特征選擇所存在的問題，本書通過引入互信息、聯(lián)合互信息、條件互信息等信息度量，設計合理有效的特征選擇模型和方法來降低數(shù)據(jù)維度、保留數(shù)據(jù)的重要特征。本書主要包括自適應結構稀疏回歸模型、多項式自適應稀疏組Lasso模型、最大相關性和最小監(jiān)督冗余準則、加權廣義組Lasso模型等內容。