作為數(shù)據(jù)預(yù)處理的一種常用的手段，特征選擇不僅能夠提高分類器的分類性能，而且能增加對分類結(jié)果的解釋性。針對基于稀疏學(xué)習(xí)的特征選擇方法有時會忽略一些有用的判別信息而影響分類性能的問題，提出了一種新的判別性特征選擇方法-D-LASSO，用于選擇出更具有判別力的特征。首先D-LASSO模型包含一L1一范式正則化項(xiàng)，用于產(chǎn)生一個稀疏解；其次，為了誘導(dǎo)出更具有判別力的特征，模型中增加了一個新的判別性正則化項(xiàng)，用于保留同類樣本以及不同類樣本之間幾何分布信息，用于誘導(dǎo)出更具有判別力的特征。在一系列Benchmark數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與已有方法相比較，D-LASSO不僅能進(jìn)一步提高分類器的分類精度，而且對參數(shù)也較為魯棒。
?