摘要：特征选择旨在降低待处理数据的维度，剔除冗余特征，是机器学习领域的关键问题之一。现有的半监督特征选择方法一般借助图模型提取数据集的聚类结构，但其所提取的聚类结构缺乏清晰的边界，影响了特征选择的效果。为此，提出一种基于稀疏图表示的半监督特征选择方法，构建了聚类结构和特征选择的联合学习模型，采用l1范数约束图模型以得到清晰的聚类结构，并引入l2.1范数以避免噪声的干扰并提高特征选择的准确度。为了验证本方法的有效性，选择了目前流行的几种特征方法进行对比分析，实验结果表明了本方法的有效性。

关键词：特征选择 半监督学习 l1范数 

单位：厦门理工学院计算机与信息工程学院 福建厦门361024