论文研究 使用特征选择进行手写数字识别的特征的最小子集

许多手写数字识别系统使用完整的功能集构建，以提高准确性。 但是，这些系统在时间和内存方面落后。 这两个问题是非常关键的问题，尤其是对于实时应用程序。 因此，将特征选择（FS）与合适的机器学习技术一起用于数字识别有助于通过最小化用于训练模型的特征数量来帮助解决时间和内存问题。 本文使用MNIST数据集研究了几种具有几种分类技术的FS方法。 此外，为了研究它们对数字识别的适用性，还对不同算法（即线性，非线性，集成和深度学习）的模型进行了实施和比较。 这项研究的目的是确定相关特征的子集，该子集除了减少所需的时间，计算复杂性和所需的数字识别存储量外，还提供与完整特征集至少相同的准确性。 实验结果证明，