问题分析：
你好，用生姜浓缩萃取液或者直接用生姜涂抹头发，其中的姜辣素、姜烯油等成分，可以使头部皮肤血液循环正常化，促进头皮新陈代谢，活化毛囊组织，有效地 刺激新发生长，并可抑制头皮痒，强化发根。
意见建议：
平时可以在平时膳食中多吃:黑芝麻,黑大豆,海带,核桃等,补充够头发生长所需要的营养就可以了
ica的应用：
ICA 的主要应用是特征提取、盲源信号分离]、生理学数据分析]、语音
信号处理、图像处理及人脸识别等 在这部分, 我们综述一下ICA 的主要应用范例
1 在脑磁图(MEG) 中分离非自然信号
脑磁图是一种非扩散性的方法 通过它, 活动或者脑皮层的神经元有很好的时间分辨率
和中等的空间分辨率 作为研究和临床的工具使用M EG 信号时, 研究人员面临着在有非自
然信号的情况下提取神经元基本特征的问题 干扰信号的幅度可能比脑信号的幅度要高, 非
自然信号在形状上像病态信号 在文献[36 ]中, 作者介绍了一种新的方法( ICA ) 来分离脑活
动和非自然信号 这种方法是基于假设: 脑活动和非自然信号(像眼的运动或眨眼或传感器
失灵) 是解剖学和生理学上的不同过程, 这种不同反映在那些过程产生的磁信号间的统计独
立性上 在这之前, 人们用脑电图(EEG) 信号进行过试验[ 37 ] , 相关的方法见文献[43 ]
试验结果表明, ICA 能很好地从M EG 信号里分离出眼运动及眨眼时的信号, 还能分离
出心脏运动、肌肉运动及其它非自然信号 Fast ICA 算法是一个很合适的算法, 因为非自然
信号的去除是一个交互式的方法, 研究者可以很方便地选择他所想要的独立成分的数目 除
了减少非自然信号外, ICA 还能分解激活区[ 38 ] , 使我们直接访问基本的脑功能成为可能 这
一点在神经科学的研究领域将很可能起非常重要的作用, 我们也正从事将ICA 运用到fM 2
R I 数据分析这方面的工作
2 在金融数据中找到隐藏的因素
将ICA 用在金融数据中是一个探索性的工作 在这个应用中存在许多情况(并行的时
间序列) , 例如流通交易率或每日的股票成交量, 这里存在一些基本的因素, ICA 可以揭示一
些仍隐藏着的驱动机制 在近年来的证券研究中, 人们发现ICA 是对PCA 的一种补充工
具, 它允许数据的基本结构能更轻易地观察得到 在文献[ 44 ]中, 将ICA 用在了不同的问题
上, 属于同一个销售链的商店的现金流量, 尽量找到对现金流量数据有影响的一些基本因
素 对独立成分的假设有可能不现实, 例如假期和年度的变化, 顾客购买力的变化, 政府和经
营策略(像广告) 等等因素, 通通假设它们之间是相互独立的 通过ICA , 利用现金流量时间
序列数据, 能分离出一些基本的影响因素和它们的权重, 并且以此还能对商店进行分组 对
于试验和解释, 详细情况请参见文献[44 ]
3 自然图像中减少噪声
第三个例子是为自然图像找到ICA 过滤器 它是基于ICA 分解, 从被高斯噪音污染的
自然图像中去掉噪声 文献[45 ]采用了一些数字的自然图像, 向量x 代表了图像窗口的像素
(灰度) 值 注意, 相对前面的两个应用, 这次考虑的不是多值的时间序列或图像随时间而改
变, 相反元素x 已经由图像窗口的位置固定不变了 采样窗口采样的是随机位置, 窗口的
22D 结构在这里并不重要, 一行一行的扫描整幅图像使其变成像素值的向量 实验结果发
现, 没有经过边界的模糊及锐化操作, 窗口的大部分噪声被去掉了, 详细的情况参见文献
当前去噪声方式有许多, 例如先作DFT 变换, 然后在作低通滤波, 最后作IDFT 恢复图像, 这种方式不是很有效 较好的方法是近年来发展起来的小波收缩方法(它用到了小
波变换) 和中值滤波 但这些对图像统计量来说并没有很好的优越性 近年来又发展了一
种统计原理的方法, 叫稀疏代码收缩法 , 该方法与独立成分分析法非常接近
4 人脸识别
人脸识别从20 世纪70 年代开始一直是一个很活跃而且很重要的研究领域, 当时比较
常用的方法是主成分分析(PCA ) 和本征脸 后来,Bart let t 和Sejnow sk i 提议用ICA 来表示
人脸
将ICA 运用到人脸识别, 随机变量为训练的图像 x i表示一个人脸的图像 用m 个随机
变量来构造一个训练图像集{x1, x2, ⋯, xm }, 这些随机变量被假设为n 个未知独立成分s1,
⋯, sn的线性组合 采用前面所讲过的矩阵的记法: X = (x1, x2, ⋯, xm ) T , S = (s1, s2, ⋯, sn ) T ,
则有X = A S 从这个表达式可看出, 每个图像x i由s1, s2, ⋯, sn与ai1, ⋯, ain的线性组合来表
示 因此, 混合矩阵A 也称特征矩阵, 可看作是所有训练图像的特征 与PCA 相比, ICA 有
如下几个优点: 1) ICA 是从训练信号里去高阶统计量的相关性, 而PCA 则只对二阶统计
量去相关性; 2) ICA 基向量比PCA 基向量在空间上更局部化, 而局部特征对人脸表示很
重要; 3) 实践证明, ICA 基向量识别精度比PCA 要高 为此, ICA 可以作为模式识别分类
的一个预处理步骤
5 图像分离
我们曾用Fast ICA 算法将三幅混合图像进行了成功的分离 仿真结果表明, 原图像与
分离出来的图像十分相似, 而且每次迭代的次数不超过15 次, 计算量非常小 下一步, 我们
的的工作是对快速定点算法进行改进, 争取在节省内存方面取得一定的成效
6 语音信号处理
ICA 最经典的应用是“鸡尾酒会“问题 在n 个麦克风记录的n 个声音源中, 通常仅仅希
望得到其中感兴趣的一个声音源, 而把其他的声音源视为噪声 如果仅一个麦克风, 我们可
以用普通的去噪声方法来去噪声, 例如, 线性滤波, 小波或稀疏码收缩方法 当然, 这种去噪
声的方法不是很令人满意 我们能利用多个麦克风来收集更多的数据, 以便更有效的去噪
声 因为在现场麦克风的位置是任意的, 而且混合过程也未知, 为此必须实行盲估计 采用的
方法就是, 盲源信号分离中的一种, 即ICA 方法
7 远程通信
最后, 提一下另外一个很有潜力的应用——远程通信 实时通信的应用例子是, 在CD2
MA 移动通迅[ 48 ]里, 从有其他用户干扰的信号里分离用户自己的声音 这个问题从某种意
义上说, 在CDMA 数据模型中预先给出了一些优先信息 但是需估计的参数数目很大, 因此
选定某种合适的信号分离方法, 它考虑了这种优先信息, 从而产生了比传统估计方法更优越
的性能
1 边( link，edge) ，脑区间的功能连接
2 节点(vertex 或 node) ，脑区
3 节点度(degree) ，度ki，直接连接在一个节点的边的个数， 节点的度越大则该节点的连接就越多, 节点在网络中的地位也就越重要
4 度分布(degree distribution) ， 度分布P(k) 是网络最基本的一个拓扑性质, 它表示在网络中等概率随机选取的节点度值正好为k 的概率, 实际分析中一般用 网络中度值为k 的节点占总节点数的比例近似表示 拥有不同度分布形式的网络在面对网络攻击时会表现出截然不同的网络行为。
5 区域核心节点(provincial hub)
6 连接中枢点( connector hub)
7 中心度(centrality) 中间中心度bi(centrality) 一个节点对网络中其他节点的信息流的影响。中心度是一个用来 刻画网络中节点作用和地位的统计指标 , 中心度最大的节点被认为是网络中的 核心节点(hub)
8 度中心度(degree centrality) ，最常用的 度中心度以节点度刻画其在网络中的中心程度
9 介数中心度( betweenness centrality) ，介数中心度(betweenness centrality)则从信息流的角度出发定义节点的中心程度 介数中心性用来确定网络中最中心的节点，即网络中起桥梁作用的节点。hub脑区大多数位于接受多个脑区信息的联络皮层，比如豆状核，海马，颞中回，顶上回，额上回等。 节点i 的介数 Bi 定义为通过该节点的最短路径的数目。归一化介数可通过如下公式计算：
介数越大的节点代表网络中越关键的节点（如 hub 节点），在该研究中我们定义网络的hub 节点为 bi 大于 15 倍的所有节点的介数平均值。
对于网络G 中的任意一点i, 其介数中心度的计算公式如下
10 节点强度( node strength) ， 加权网络中由于考虑了边的权值，无权网络中的度与度的分布特征在加权网络中进一步推广为强度与强度的分布。与节点度相比， 节点强度不仅考虑了与节点连接的边的数目，更进一步考虑了与节点连接的相应的边的权值 ，能够更加科学的衡量作者的局部网络特征，在采用累积频次加权的作者合作加权网络中，节点强度是指作者与其合作对象的累积绝对合作频次。
11 最短路径长度(shortest path length) ，最短路径长度，(shortest path length)最短路径对网络的信息传输起着重要的作用, 是描述网络内部结构非常重要的一个参数 最短路径刻画了网络中某一节点的信息到达另一节点的最优路径,通过最短路径可以更快地传输信息, 从而节省系统资源 两个节点i,j之间边数最少的一条通路称为此两点之间的最短路径, 该通路所经过的边的数目即为节点i,j之间的最短路径长度, lij 网络最短路径长度L 描述了网络中任意两个节点间的最短路径长度的平均值
12 特征路径长度( characteristic path length) Lp ，网络整体路由效率的程度。对于特征路径长度的计算，有断键重连的标准小世界网络方法和添加长键转化小世界网络方法。 该指标衡量了网络的信息并行处理的能力或全局效率（1/ Lp），特征路径长度的增加说明了脑区之间的信息传输和交互效率降低。 一个网络的特征路径长度 Lp ， 是网络中任意两节点的最短路径的平均 ：
13 聚类系数( clustering coefficient) ，聚类系数Cp，网络的聚类程度，集群系数衡量的是网络的集团化程度, 是度量网络的另一个重要参数, 表示某一节点i 的邻居间互为邻居的可能 节点i 的集群系数Ci的值等于该节点邻居间实际连接的边的数目(ei)与可能的最大连接边数(ki(ki–1)/2)的比值。 该指标衡量了网络的局部聚集性或者信息传输的局部效率。 网络中所有节点集群系数的平均值为网络的集群系数。
14局部效率(local efficiency) ，局部效率Eloc，衡量如何高效的传播信息通过节点的直接相邻节点，由于集群系数只考虑了邻居节点间的直接连接, 后来有人提出局部效率(local efficiency)Eloc的概念 集群系数和局部效率度量了网络的局部信息传输能力, 也在一定程度上反映了网络防御随机攻击的能力。任意节点i 的局部效率为
该指标描述了网络的容错能力，表明当移除节点 i 后它直接相邻的节点间的通信效率。
15全局效率( global efficiency) ，全局效率 Eglob 描述了网络对于信息并行处理的能力，定义为任意两节点的最短路径的调和平均值的倒数，全局效率Eglob，衡量如何有效的通过整个网络传播信息，通常最短路径长度要在某一个连通图中进行运算, 因为 如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷 因此有人提出了全局效率(global efficiency)Eglob的概念。最短路径长度和全局效率度量了网络的全局传输能力 最短路径长度越短, 网络全局效率越高, 则网络节点间传递信息的速率就越快 全局效率的降低说明脑区之间的信息传输和交互效率降低。
16外径(Diameter) ,The longest of all the geodesics, and the geodesics is a shortest path between two nodes If we are looking for the diameter of a network, we are really looking at all the shortest paths and then choosing the longest one
17平均最短路径（Average path length） , It's calculated by finding the shortest path between all the nodes, adding them up, and then dividing by the total number of pairs It will show us the number of steps on average it takes to get from one member to another in the network For example, 721 million users with an average path length of just 474, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called the small world phenomena
18AAL模板, AAL全称是Anatomical Automatic Labeling，AAL分区是由 Montreal Neurological Institute (MNI)机构提供的。AAL模板一共有116个区域，但只有90个属于大脑，剩余26个属于小脑结构，研究的较少。
19MNI空间， 是Montreal Neurological Institute根据一系列正常人脑的磁共振图像而建立的坐标系统。Native空间就是原始空间。图像没有做任何变换时就是在原始空间。在这个空间中图像的维度、原点、voxel size等都是不同的， 不同被试的图像之间不具有可比性 ， 计算出来的任何特征都不能进行统计分析 ，或是用于机器学习。所以 必须对所有被试的图像进行配准标准化到同一个模板上，这样所有被试的维度、原点、voxel size就一样了。 使用MNI标准模板，就表示把图像转换至MNI空间了。 一般而言MNI模板是最常用的，研究的比较多。 标准空间的图像也是指MNI空间的图像。
20Talairach空间， 和MNI空间的坐标有对应的关系，很多软件都提供这个功能，如Mricron、REST等。Talairach空间只要是为了判别当前坐标在什么结构上，注意Talairach atlas and Talairach coordinates 就是Stereotaxic space
21全局网络度Kp ，节点 i 的连接度 Ki 定义为与该节点直接相连的边的数目，高度连接的节点的度较大。该指标用来描述一个网络的稀疏度。全局网络的度Kp 为网络中所有节点的度的平均：
22小世界属性，基于体素和基于脑区的研究都表明人脑功能网络都具有高效的小世界属性。 For example, 721 million users with an average path length of just 474, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called t he small world phenomena 小世界网络( small-world network) 网络的小世界属性：高的聚类系数和短的特征路径长度。小世界的拓扑结构支持大脑信息处理的分化和整合功能，是一种经济型的结构，支持高度复杂动态结构的同时，使得配线代价最低。具有小世界属性的动态系统通常有较好的抗攻击性，而且表现出比较高的信息传输速度，计算能力和同步性。
23 攻击性， 用来定量描述某个节点的失败对网络行为的影响。节点 i 的攻击性Vi 定义为： 当去掉节点 i 及其连接的边后网络全局效率的变化 ，可通过如下公式计算：
其中 Eglob’表示去掉节点 i 及其连接的边后网络的全局效率。 攻击性同介数中心性一样也是反映了节点在网络中的重要性。
24节点效率ei， 衡量一个节点与其他节点通信的效率
25结构性连接，
26模块化结构，
27结构性脑网络( structural brain networks 或anatomical brain networks)
28功能性脑网络( functional brain networks)
29因效性脑网络( effective brain networks)
30无标度网络( scale-free network)
31随机网络( random network)
32规则网络( regular network)
33无向网络( undirected network)
34加权网络( weighted network)
35相位同步( phase synchronization)
36连接密度(connection density/cost)
37互相关分析( cross-correlation analysis)
38因果关系分析( Causality analysis)
39直接传递函数分析( Directed Transfer Function，DTF)
40部分定向相干分析( Partial Directed Coherence，PDC)
多变量自回归建模( multivariate autoregressivemodel，MVAR)
独立成分分析( independent component analysis，ICA)
步似然性(synchronization likelihood, SL)
结构方程建模(structural equationmodeling, SEM)
动态因果建模(dynamic causalmodeling, DCM)
心理生理交互作用模型(Psychophysiological interaction model)
非度量多维定标(non-metric multidimensional scaling)
体素形态学(voxel-based morphometry,VBM)
统计参数映射（statistical parametric mapping，SPM）
皮尔逊相关系数（Pearson correlation）
偏相关系数（Partial correlation）
脑功能连接，度量空间上分离的不同脑区间在时间上和相关性和功能活动的统计依赖关系，是描述脑区之间协同工作模式的有效手段。
方法学：（1）定义被试的节点的方法：AAL模板和自动配准；（2）定义边：确定性的纤维跟踪算法，HARDI,DSI,概率跟踪算法；（3）二值网和加权网的选择；
最大连通子图大小，SOBCC（Size of Biggest Connected Component），代表网络连通分量的大小。
考点： 地理常识 专题： 分析： 森林具有调节大气成分、防风固沙、保持水土等作用，所以为了保持水土，最好的办法是植树种草． 观察实验得出水土流失与地表植被的关系是：植被越茂密的地方含沙量越小，植被越稀疏的地方含沙量越大，所以植树种草是减少水土流失的主要方法．根据题意．故选：D． 点评： 本题主要考查学生的理解能力，理解解答即可．
降维
什么是降维？
试想一下现在有n个对象a1，a2，……，an，每个对象有多个属性x1，x2，……，xm。当我们用矩阵表示这些对象时，便是一个An×m的矩阵。举个实例：假设我们有5只猫，每只猫的毛色、体型、身高、体重、年龄、性别等特征各不相同。这里的猫就是我们的对象；“猫”这个称呼是这个对象的标签；毛色、体型、体重等特征就是我们所说的对象的属性。在实际的图像识别过程中，我们可能有大批数量的猫、狗的，所需的对象的属性也是多个，这些属性的个数就是我们所说的维数。维数越多，信息量数据量越大，占用的磁盘空间和内存较多。实际上我们在实际中有时候并用不到这么多的信息，所以就需要降维。
降维是试图压缩维度，并尽可能地保留分布信息。我们可以将其视为数据压缩，或者特征选择。
在实际生活中，我们对样本做数据处理，图像处理等操作时，希望模型的精度比较高，或者说泛化误差率较小，那么我们希样本的采样密度足够大（密采样）。首先我们要明白的是，维数越高，样本在空间上分布得越稀疏（若不明白，请看图：二维降到一维时，样本点的密度增加。可见更高维度的样本点之间密度更稀疏）。
降维在图像处理中叫图像压缩、特征提取。重在最优分区（可分离性）；
降维在模式识别中叫做特征选择。重在最有描述（保真性）。
为什么要降维？
（1）维数越多，信息量越大，数据冗余，为了得到我们想要的信息，或者方便数据处理等操作，我们就需要进行降维。
（2）数据维度高，我们将无法借助自己领域的知识无法构建有效特征。
（3）维度超过三维时，人便无法肉眼观察特征。降维后，我们便可以在低维（一维、二维或三维）空间中可视化高维数据。
（4）克服维数灾难。通过某种数据变换，将原始高维属性空间转变为一个低维“子空间”，在这个子空间中，样本密度大幅度提高，距离计算（也是样本间相似度计算，欧几里得距离等来刻画相似度）也将变得容易；降维要保持原始空间中样本之间的距离在低维空间中得以保持，且在低维子空间中更容易学习。
PS：维数灾难
维数灾难是在给定精度下，准确的对某些变量的函数进行估计，所需的样本数量会随着样本的位数的增加而成指数增长。
高维情况下出现的样本稀疏、距离计算困难等问题，就是机器学习中面临的严重障碍——“维数灾难”。
降维的方法
（1）线性降维方法
PCA主成分分析
LDA判别分析
MDS多尺度分析
（2）非线性降维方法
流形学习
ISOMAP等距特征映射
LLE局部线性嵌入
聚类
什么是聚类
聚类尝试在没有训练的条件下，对一些没有标签的数据进行归纳分类。根据相似性对数据进行分组，以便对数据进行概括。没有标签是指我们事先不知道任何样本的类别标号，希望通过某种算法把这一组位置类别的样本划分成若干类别，聚类的时候，并不关心某一类是什么，实现的只是将相似的东西聚在一起。
总的来说，聚类就是对大量未知标注的数据集，按数据内在的相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小。是无监督的分类方式。
聚类的目标
同一类中，类内对象是相似的（或是相关的）；不同类中的对象是不同的（不相关的）。
聚类方法好坏的判定：
（1）产生高质量的聚类结果——簇。簇内有高相似性，簇间有低的相似性。
（2）取决于聚类方法采用的相似性评估方法以及该方法的具体实现。
（3）取决于聚类方法能否发现某些/所有的隐含模式。
常见的聚类算法
（1）划分聚类：K-means算法、K-medoids算法、K-pototypes算法、CLARANS算法；
（2）层次聚类：BIRCH算法、CURE算法；
（3）密度聚类：DBSCAN算法、OPTICS算法、DENCLUE算法
（4）网格聚类：STING算法、CLIQUE算法、WAVE-CLUSTER算法
（5）混合聚类：高斯混合模型、CLIQUE（综合密度和网格的算法）
为了使数据更加适合挖掘，需要对数据进行预处理操作，其中包含大量复杂的处理方式： 聚集 ， 抽样 ， 维归纳 ， 特征子集选择 ， 特征创建 ， 离散化和二元化 和 变量变换 。
聚集将两个或多个对象合并成单个对象，如将多张表的数据汇集成一张表，同时起到了范围或标度转换的作用。
从统计学的角度来看：相对于被聚集的单个对象，平均值、总数等聚集量有较小的变异性。对于总数，实际变差大于单个对象的（平均）变差，但变差的百分比较小；对于平均值，实际变差小于单个对象的（平均）变差。
聚集的优势是数据集变小，处理时间变少，使聚集的对象或者属性群的行为比未聚集前更加稳定。缺点是可能丢失部分细节。
抽样是一种选择数据对象自己进行分析的方法，常用语数据的事先调查和最终的数据分析。和统计学中使用抽样是因为得到感兴趣的数据集费用太高、太费时间不同的是，数据挖掘中使用抽样可以有效的压缩整体数据量。
有效抽样的原理是：样本具有代表性，有原数据集有近似的或相同的性质，这样使用样本与整个数据集的效果几乎一样。
无样放回抽样--每个选中项立即从构成总体的所有对象中删除。
有放回抽样--对象被选中时不从总体中删除。此方法较简单，原因是抽样过程中，每个对象被选中的概率是不变的。
在有放回抽样中，相同的对象可能被多次抽出。当样本与数据集相差较小时，两种方法结果差别不太。
当总体由不同类型的对象组成，同时每种类型的对象差别很大时，简单随机抽样不能重返的代表不太频繁出现的对象类型，尤其是需要分析所有类型的代表时，需要在样本中适当的提供稀有类以代表不同频率的抽样。
等大小抽样：每个组大小不同，但是每次抽取的对象个数相同。
等比抽样：每一组抽取的对象数量和该组的大小成正比。
当选定完抽样技术后，就需要选择抽样容量。较大的样本容量增大了样本具有代表性的概率。相反，使用较小容量的样本，可能出现特征丢失。
合适的样本容量可能很难确定，因此有时需要使用自适应或者渐进抽样的方法。这些方法从一个小样本开始，然后增加样本容量直至得到足够容量的样本。该技术部需要在开始就确定正确的样本容量，但是需要评估样本的方法，以确定它是否满足大。
例如使用渐进抽样来评估一个预测模型，模型的准确率随样本容量的增加而增加，但在某一点的准确率的增加趋于稳定，如果希望在稳定点停止增加样本容量，就需要掌握模型准去率随样本逐渐增大的变化情况并通过选取接近当前容量的其他样本，从而估计出与稳定点的接近程度，从而停止抽样。
通过创建新属性，将一些旧属性合并在一起来降低数据集的维度。通过选择旧属性的子集得到新属性，这种维规约称为特征子集选择或特征选择。
如果维度（数据属性的个数）较低，许多数据挖掘算法的效果就会更好，一方面因为可以删除不相关的特征并降低噪声，另一方面是因为维灾难（随数据维度的增加，数据在它所占据的空间中越来越稀疏，导致分析变得困难，如分类准确率降低，聚类质量下降等）。
让模型更加容易理解，因为模型可能只涉及较少的属性。
可以更容易让数据可视化，即使没有将数据规约到二维或三维，数据也可以通过观察属性或对三元组属性达到可视化，并且这种组合的数目也会大大减少。
违规约降低了数据挖掘算法的时间和内存需求。
将高维空间投影到低维空间，特别是对于连续数据。常用的有主成分分析（PCA），它找出新的属性（主成分），这些属性是原属性的线性组合，是相互正交的，并且捕获了数据的最大变差。奇异值分解（SVD），也常用于维规约，与PCA有关。
降低维度的另一种方法是仅使用特征的一个子集，在冗余特征（重复包含了一个或多个其他属性中的信息）出现时特别有效。
理想的方法是将所有可能的特征子集作为感兴趣的数据挖掘算法输入，然后选取产生最后结果的子集。优点是反应了最终使用的数据挖掘算法的目的和偏爱，但当涉及N个属性的自己多达 时，这个方法行不通，需要通过其他三种标准的特征选择方法：
嵌入：把特征选择的过程与分类器学习的过程融合一起，在学习的过程中进行特征选择。常见的使用L1正则化，决策树和支持向量机等。
过滤：独立于学习算法，直接由原始的特征集合求得。先对数据集进行特征选择，排除冗余无关特征，得到特征数据集，然后对其训练学习器，这两个过程是独立的。过滤式特征选择算法会通过数据的本质属性对所有特征进行相应的评分，在评价过程中无需分类器完成，在对给出所有特征赋予相应的评分后，选择评分高的特征用于之后的学习算法中。
单变量过滤式：使用某种评价标准作为度量方式来确定数据集中特征对类别的区分能力。
多变量过滤式：通过考虑特征之间的交互作用来确定特征的重要性。
包装：与学习算法有关，利用学习算法的性能来评价特征子集的优劣。在特征选择的过程中，需要一个分类器，根据分类器性能去衡量特征子集，分类器有决策树，近邻分类器，贝叶斯分类器等。
过滤式算法简单高效，但是缺失与模型的交互性；封装式与模型相结合，结果精确，但是易过拟合；嵌入式有着两者的优点，但是构造起来比较麻烦。
过滤和包装组合式：先使用过滤进行特征选择，去掉不相关的特征，降低特征维度；然后利用包装进行特征选择。
可以由原来的属性创建新的属性集，新属性的数量可能较少，但能更有效的捕获数据集中的重要信息。
由原始数据集创建新的特征集称为特征提取，一般特征提取技术都是高度针对具体领域的，也就是当数据挖掘用于一个较新的领域时候，开发新的特征和提取方法是一个关键的任务。
使用一种完全不同的视角挖掘数据可能揭示出重要和有趣的特征。
如时间序列数据，常常包含周期模式。当只有单个周期时，噪声不明显，则容易检测到该模式；但当有大量周期时，并且存在大量噪声时，则很难检测这些模式，此时可以实施傅里叶变换（识别时间序列数据中的基本频率），将它转换成频率信息的表示，就能检测到这些模式。
有时候原始数据集的特征具有必要的信息，但其形式不适合数据挖掘算法，这种情况下，一个或多个由原始特征构造的新特征可能比原特征更有用。
有些数据挖掘算法，特别是某些分类算法，要求数据是分类属性形式。发现关联模式的算法要求数据是二元属性形式。常常需要将连续属性变换成分类属性（离散化），并且连续和离散属性可能都需要变换成一个或多个二元属性（二元化）。
变量变换（也称属性变换）是指用于变量的所有值变换。
参考：
1:《数据挖掘导论》
2: 特征选择与特征子集 - 思想永不平凡
脱发首先要分析类型，不知道你的脱发是什么类型的，看过下面的资料你也许会找到答案，也就能找到治理的方法了。
脱发可以分成两种基本类型：
由于毛囊受损造成的永久性脱发，和由于毛囊短时间受损造成的暂时性脱发。永久性脱发即常见的男性秃顶。在某些欧洲国家，男性的秃顶率高达40％。
永久性脱发（即男性型脱发）的掉发过程是逐渐产生的。开始时，头前额部的头发边缘明显后缩，头顶部头发稀少；然后逐步发展，最后会发展到只剩下头后部，头两侧一圈稀疏的头发，其主要原因有三：遗传因素，血液循环中男性激素的缺乏或失调；过于肥胖。另外，多种皮肤病或皮肤受伤留下的疤痕，天生头发发育不良，以及化学物品或物理原因对毛囊造成的严重伤害均可引起永久性脱发。
暂时性脱发往往是由得了发高烧的疾病引起的。不过，照X光、摄入金属（如铊、锡和砷）或摄入毒品、营养不良、某些带炎症的皮肤病、慢性消耗性疾病，以及内分泌失调等也可造成暂时性脱发。
男性型脱发的治疗方案有两种。第一种是毛发移植，就是把还长头发地方的头皮的毛囊移植到不长头发的地方，即：从头后部移到前部。第二种方法是局部敷药。常用米诺西地外敷，能有效阻止多种原因引起的继续脱发，促进已秃或头发稀少部位的头发再生。
1、脂溢性脱发：常常出现在中青年身上，表现为头皮上有较厚的油性分泌，头发光亮，稀疏而细，或者头发干燥，头屑多，无光泽，稀疏纤细。
解决办法：应注意饮食清淡，少食刺激性食物，多吃水果、青菜或内服维生素B6、B2等。
2、病理性脱发：主要由于病毒、细菌、高热对毛母细胞有损伤，抑制了毛母细胞正常分裂，使毛囊处于休克状态而导致脱发，如急性传染病、长期服用某种药物等。
解决方法：多休息，身体康复或停药后头发会重新长出。
3、化学性脱发：有害化学物质对头皮组织、毛囊细胞的损害导致脱发
解决办法：不使用刺激性强的染发剂、烫发剂及劣质洗发用品。
4、物理性脱发：空气污染物堵塞毛囊、有害辐射等原因导致的脱发。
解决办法：不要使用易产生静电的尼龙梳子和尼龙头刷，在空气粉尘污染严重的环境戴防护帽并及时洗头。
5、营养性脱发：消化吸收机能障碍造成营养不良导致脱发
解决方法：加强营养，多吃蔬果、海带、桑葚、核桃仁。
6、肥胖性脱发：大量的饱和脂肪酸在体内代谢后产生废物，堵塞毛囊导致脱发
解决方法：少吃油腻重的食物，加强体育锻炼。
7、遗传性脱发：脱发也是有遗传性的，一般男性呈显性遗传，女性呈阴性遗传。
一, 头发养护的目的在于维护头发的健康，同时可以克服头皮屑或掉发等。
防止脱发要从日常的头发护理开始，下面的是介绍头发护理的基本方法
一、洗发和护发
头发的清洁是发质健康的基础，而正确的洗涤方法是养护头发的重要因素。
干性发皮脂分泌量少，洗发周期可略长，一般7～10天洗一次。
油性发皮脂分泌多，洗发周期略短，一般3～5天洗一次。
中性发皮脂分泌量适中，一般5～7天洗一次。
干性发选择温和营养性的洗发护发用品，油性发选择去污力略强的洗发用品。
正确的洗涤方法对头发的养护同样起着重要作用，主要包括以下几个步骤：刷头发、用清水洗头发、用洗发液洗头发、使用护发素、用干毛巾吸干头发上的水分。
护理发丝
干性发和受损发每周锔油1次，补充毛发的油分和水分。每日按摩头部10～15分钟，促进血液循环，供给表皮营养，促进皮脂腺、汗腺的分泌。
洗发后用少量橄榄油。中性发10～15天上油一次，每周作3～4次头部按摩，每次10～15分钟，洗发后用少量护发乳。
修剪发丝
当毛发生长到一定的长度，发梢就会产生分叉、易断的现象，定期修剪可避免这种现象的产生，使发丝保持健康亮泽的状态。同时，定期修剪还可刺激毛发细胞的新陈代谢，刺激毛发的生长。
蓬松发丝
毛发是皮肤的附属物，如毛发粘贴在头皮上，会影响皮肤的呼吸和排泄，使头皮和发丝产生病态现象。
慎重烫发
烫发过勤会使毛发的角质细胞受损，而得不到修复，使发丝干枯，缺乏弹性，甚至分叉和折断。烫发以半年一次为宜，并应选择直径略大的卷心，烫的时间也不宜过长。
合理膳食
发丝是由细胞构成的，细胞的新陈代谢需要多种营养，所以，合理的膳食是供给毛发营养的重要因素。蛋白质、碳水化合物、脂肪、维生素、矿物质是毛发健康的营养资源。
二 脆弱头发的护理
1究竟脆弱的头发是怎样形成的呢？
头发受到来自人为护理不当和外在环境侵害两方面的伤害，远远超出你的想像，它们会共同作用导致头发变糟。
2 造成枯草样脆弱发质的原因是什么呢？
No1 原因：染烫头发不当可导致毛鳞片脱落，并造成分叉。
解决：避免频繁染烫头发，使用电吹风时将温度调低。
No2 原因：挑食节食、缺乏睡眠会令头发黯淡无光、枯黄难打理。
&解决：注意饮食平衡，减少脂肪和刺激性食物的摄入量。
No3 原因：秋天仍有强烈的阳光，紫外线会破坏氨基酸令头发干枯发黄。 解决：在出门前可选择使用具有防晒功能的免洗护发品或喷雾涂抹头发，保护头发免受伤害。
No4 原因：脏空气令头发粘连难打理，很容易造成断发。
解决：依发质油性程度选择天天洗头或隔天洗头。
3 确选择和使用对头发有保护作用的美发工具，可避免断发及分叉。
尽量选择在头发湿润时梳头，以防梳头时刮伤，拉伤秀发。
三 染过的头发如何护理
染发是许多人都尝试过的一种美发方式，染过的头发没有光泽或色彩难以保持很令人烦恼。所以我们要了解染发后的正确护理。
染发时，染膏中的碱性成分把头发表层的毛鳞片打开(头发上的鳞片遇碱张开)，人工色素进入到头发的皮质层，与天然色素中的一部分相结合，形成想要的颜色。
染发时染膏对头发表层的毛鳞片有很强的破坏作用，如果养护不当的话会造成头发的鳞片脱落、水分流失，粗糙起毛刺，缺少光泽没弹性。
护理时避免头发干洗，日常最好使用含碱最底、性质柔和的洗发水。针对染发的洗发水与护发素能稳定色素粒子，使之不易很快流失。此外，吹风机的热也会加快色素脱落，所以，一定要在吹风之前涂一些含护发成分的饰发品，以维护发心中的色素使其稳定。
四 巧治落发
1) ·柚子核治落发：如果头发黄、斑秃，可用柚子核25克，用开水浸泡24小时后，每天涂抹2~3次，以加快毛发生长。
·生姜治落发：将生姜切成片，在斑秃的地方反复擦拭，每天坚持2-3次，刺激毛发生长。
蜜蛋油使稀发变软：如果你的头发变得稀少，可以用1茶匙蜂蜜，1个生鸡蛋黄，1茶匙主乌有或蓖麻油，与两茶匙洗发水、适量葱头汁兑在一起搅匀，涂抹在头皮上，戴上塑料薄膜的帽子，不断地用温毛巾热敷帽子上部。过一两个小时之后，再用洗发水洗干净头发。坚持一段时间，头发稀疏的情况就会有所改善。
2)每天早上梳头100下，不但能刺激毛囊，而且可以使发隙的通风良好，因为头发最容易出汗且被热气笼罩，故经常梳头能防止脱发及头皮屑。
经常变换分发线，因为分发线如果一直保持在相同的地方，由此会造成分线部位因太阳照射而且干燥，导致头发稀疏。此外，经常变换分发线，还能增添变换各种发型的乐趣呢。
五 防止脱发DIY
1：防止秃头的早晚梳发
你是否有早晚把头发梳得很整齐的习惯？每天早晚各梳发百次，能刺激头皮改善头发间的通风。由于头皮是容易出汗弄脏的地方，勤于梳发可能有助于防止秃头和头皮屑的发生。我们最好能费一点心思在自己的头发上，使头发保持光润的状态。
2：防止秃头--更换梳发的方向
梳发的方向如果保持不变，头发缝儿分开的地方，由于常常被阳光照射的关系，将会呈现特别的干燥或变薄。如果分开的地方开始变薄，应该在搽发乳或头油后，加以按摩，使已经干燥的头皮得到滋润。有时不妨将分开的方向改变，不但能够享受发型的乐趣，且能够避免分开处干燥，而导致秃头之麻烦。
头发稀薄的人最好施行头部按摩因为头发稀或秃头而伤脑筋的人，最好是做头部按摩，促进血液循环。按摩能能使头发柔软，提高新陈代谢，促进头发的发育。按摩的方法是以手指揉搓或拉紧头发就行了。按摩前，在头皮上搽发油，更能提高效果。止外，使用毛刷制成的刷子，每天以直角轻拍头皮也可以奏效。
3：治疗头发稀薄的方法
具有酸性体质的，或体内缺少某些营养和钙的人，头发总是软弱无力而稀薄。这种人应多吃嫩海带芽、海带、乳酪、牛奶、生蔬菜等。同时每天按摩头皮，加以刺激头皮，促进血液的循环就可以获得改善。
4：防止脱发的洗头水和按摩
头部的血液循环不良时，会产生脱发的现象。欲防止脱发的毛病，须将发根部分保持清洁，洗发精须使用弱酸性的洗发剂（勿用过量）洗干净，润丝完后，再撩一点水，使毛根收缩。平常则需涂抹发乳或养发油在头皮上，予以按摩和刺激。
5：治疗脱发的食物
摄取过多的糖分及盐分或动物性脂肪，有害于血液的循环。这种人应多喝生水或多吃蔬菜。含有丰富铁质的食品，瘦肉、鸡蛋的蛋白、菠菜、包心菜、芹菜、水果等等都是最佳的治疗食物。脱发或秃头的人，头皮都已硬化。上述的食物有助于软化头皮
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
