特征选择是机器学习的重要研究内容，有着广泛的应用价值。特征选择主要从数据（尤其是高维数据）中选取有效特征来表示数据，从而提高机器学习算法的性能。《高维数据的特征选择：理论与算法》以重庆工商大学等单位的机器学习、图像处理课题为基础，系统地介绍特征选择的基本概念，以及相关的理论和算法，也对它的前沿研究（如无监督特征选择）和其在计算机视觉中的应用进行详细介绍，最后对特征选择的发展方向进行展望。
　　《高维数据的特征选择：理论与算法》理论联系实际，对教学、科研具有重要指导意义，可作为高等院校和科研机构从事机器学习的学者的参考书，亦可供从事大数据分析（如基因数据、计算机视觉）的专业技术人员参考。

1 基本概念
1．1 特征选择
1．1．1 相关特征
1．1．2 冗余特征
1．2 特征变换
1．3 特征提取
1．3．1 尺度不变特征变换
1．3．2 方向梯度直方图
1．4 本章小结
1．5 本书的组织

2 特征选择及相关技术研究现状
2．1 传统特征选择的研究现状
2．1．1 生成特征子集
2．1．2 评价特征子集
2．2 监督特征选择算法研究现状
2．2．1 过滤式特征选择算法
2．2．2 绑定式
2．2．3 嵌入式特征选择算法
2．3 本章小结

3 组稀疏子空间的大间隔特征选择
3．1 模型的基本思想
3．1．1 大间隔学习
3．1．2 组稀疏子空间学习
3．2 模型的建立与实现
3．2．1 模型的建立
3．2．2 目标函数的求解
3．3 算法收敛性分析
3．4 本章小结

4 Trace Ratio- 组稀疏子空间的大间隔特征选择
4．1 模型建立的基本思想
4．2 模型建立及算法的实现
4．2．1 模型的建立
4．2．2 TR-GSLM算法的求解过程
4．2．3 TR-GSLM算法的收敛性分析
4．3 本章小结

5 高效的Trace：Ratio-组稀疏子空间的大间隔特征选择
5．1 模型建立的基本思想
5．2 ETR-GSLM算法实现过程
5．3 ETR-GSLM收敛性分析
5．4 实验分析
5．4．1 实验数据集及环境
5．4．2 参与比较的算法
5．4．3 基于分类精度的特征选择算法性能比较
5．4．4 平均分类精度的比较
5．4．5 提取前30％和60％的特征的分类精度比较
5．4．6 参数的敏感性分析与比较
5．4．7 算法的效率比较
5．4．8 实验小结
5．5 本章小结

6 无监督的特征选择
6．1 无监督特征选择的分类
6．2 过滤式无监督特征选择
6．2．1 Laplacian评分
6．2．2 谱分解的特征选择算法
6．3 嵌入式无监督特征选择
6．3．1 将结构信息与机器学习算法结合
6．3．2 结构信息，聚类信息与机器学习算法结合
6．3．3 结构信息，动态更新聚类信息和机器学习算法结合
6．3．4．动态更新结构信息，聚类信息和机器学习算法结合
6．4 本章小结

7 计算机视觉中的特征选择
7．1 高斯混合模型
7．1．1 生成方法和判别方法
7．1．2 高斯混合模型
7．2 Fisher向量
7．3 基于Fisher向量的特征选择
7．4 本章小结
参考文献