Advances in Computer and Autonomous Intelligence Research

目的：针对高维数据特征冗余和噪声对模型性能的影响,提出一种基于深度学习的高维数据特征选择与建模方法,通过高效特征选择技术和深度学习结合,提高分类精度和特征选择效率,并降低计算复杂度。方法：利用注意力机制对高维数据特征加权赋值,选择关键特征,并结合稀疏正则化优化特征选择效果。在TCGA、CIFAR-10和合成数据集上进行实验,与主成分分析(PCA)、Lasso回归、自动编码器等方法对比性能。结果：实验表明,提出方法在所有数据集上均实现最高分类精度(如TCGA数据集达90.5%),显著高于其他方法。特征选择效率达 90%,训练时间最短。结论：提出方法高效去除冗余特征和噪声,显著提升模型性能,证明其在高维数据分析中的适用性和鲁棒性,但在特征间复杂交互建模及多模态数据适应性上仍需进一步研究。