实值特征权重向量和特征选择，多分类

得到的实值的特征权重向量后，选择的特征值是原始样本数据嘛？我的想法是选择原始数据（m维）中对应特征权重向量中权值前n大的n维特征，这样来实现降维却发现效果十分不理想……是我理解错了吗？
复现的论文是这样的

其中top-alpha，alpha在论文中取值1-30，我认为他就是选择的特征维数，是不是就是把权重向量降序排序排列，然后取前alpha大的权重对应的特征？但输入k近邻分类器之后效果十分不理想……
我的代码：

这个实在不行我们就用个1～30进行布长为0.1的遍历，一步步比较答案取最优，最后根据答案进行解释，当然不会解释的话，这么写上去也是可以的，有些时候确实就是这么做的。

该回答引用ChatGPT
请参考，如果可行，还请点击 采纳，感谢！
是的，您的理解是正确的，top-alpha是选择的特征维数，即对权重向量从大到小排序，选择前alpha大的特征。但是降维并不一定能够提高算法的性能，因为可能在降维之后会丢失一些有用的信息。因此，您需要尝试多种降维方法，并选择效果最好的一种。

另外，代码中的第二行有语法错误，应该改为：

[wl,w2] = MvSv(X_stu, X_tea, labels_train, sigm, lambda, gama)
thistoc(bk,1) = toc.

希望对您有所帮助！

不是效果不好，是你没有理解这段话的意思。
这段话说的是，使用带有RBF核的SVM，来估计特征选择算法所选择的特征与分类精度的相关性。具体方法是，先用特征选择算法确定 top-alfa 特征后，再用SVM进行分类。
简单地，每次选择一个特征，用SVM进行分类，得到每个特征与分类精度的相关性，可以用于确定每个特征与分类相关性水平的高低。
进一步地，可以选择组合特征，利用前一步的结果选择 top-alfa 特征，用SVM分类，得到组合特征与分类精度的相关性。
注意，本段话并未提到PCA降维压缩或其它特征提取方法。当然，用 PCA 可以更好地更有效地获得 top-alfa 特征。可以对一种或几种特征选择算法（例如PCA，又如FFT），依次改变 top-alfa 的数量 n，用SVM进行分类，得到对应的分类模型的精度 accr(n)，然后研究 accr(n) 的规律。
这些基于实验结果的分析，或者对 accr(n) 曲线的拟合，才是“估计特征选择算法与分类精度的相关性”

• 这有个类似的问题, 你可以参考下: https://ask.csdn.net/questions/7753933

根据您描述以及截图的内容来看，这个特征选择如果选取的并没有将清楚，他只是说了每个数据集都有相应的特征选取算法的，至于说的top-a具体怎么取得，可能你还需要找下资料或者联系下作者，看起来并不是你说的那样排序取top ，而且在强调只取多少个，以达到降维的目的。