Spectral feature selection可翻译为谱特征选择，之前的特征提取学习中陷入了光谱特征选择翻译的误区。
参考论文为"Spectral feature selection for supervised and unsupervised learning " 作者 为 Zheng Zhao ；Huan Liu
简介
这篇文章提出了一种基于"谱图理论"（spectral graph）的特征选取框架（Laplacian score 和 ReliefF 都属于这个框架的一个特殊情况
）。
这个框架的假设，是本着原数据是大爷的道理，假设一个好的特征应该与原来（训练）数据构成的图有着相似的结构。当然一个特征毕竟是有限的（比如用性别来区分人有没有钱），可是这个特征与训练数据的相关性越大，我们就觉得这个特征越好，越可取。
特征的一致性比较。目标概念由图形结构表示(由椭圆表示的集群)。不同的形状表示特征赋予的不同值。
算法框架
- 构建数据的相似性矩阵S，以及由此基础推出的图的表示G，和W,D,L；
- 计算：
和
； - 对
排序；
算法推导
先用
来表示一个训练集，我们用
来表示m个特征，每个特征的对应的数据向量为
对于监督学习
用来表示每个数据所对应的类。
给定以上数据，可以由不同的规则来定义一个代表数据实例之前关系的实对称矩阵S,Sij表示两个实例之间的关系（距离），下面是两种常用的规则
对于无监督学习，可以用RBF核函数：
对于监督学习（l表示为同一类，nl表示l类中的个数）：
所以我们可以通过X得到其无向图G(V,E),对于图G我们定义它的相邻矩阵（adjacency matrix）W，
.定义向量
图G的degree matrix D为
。
Laplacian matrix：
Normalized Laplacian matrix：
第一步衡量实例之间的相似性解决了，下一步就是求特征的权重（score）
由性质2可以知道laplacian matrix 可以衡量一个向量各个数值之间的加权平方和，可以用来度量一个组数据之间的离散程度。这正是L矩阵有用的地方。
既然这样，因为有Wij，我们直接用
就可以算向量f与原数据之间的离散程度，这个式子越小，与元数据差别就越小。但是还要归一化一下由式子(5)，所以有
当然这个间断的
并不能满足我们日益增长的需求，Smola 和Kondor用傅里叶变换对
进行了扩展，
这里
是一个单调增函数，是用来惩罚高频分量
比如说，
可以有如下形式种特征打分函数
总结
Spectral feature selection 是一个方法框架。