Serwis Infona wykorzystuje pliki cookies (ciasteczka). Są to wartości tekstowe, zapamiętywane przez przeglądarkę na urządzeniu użytkownika. Nasz serwis ma dostęp do tych wartości oraz wykorzystuje je do zapamiętania danych dotyczących użytkownika, takich jak np. ustawienia (typu widok ekranu, wybór języka interfejsu), zapamiętanie zalogowania. Korzystanie z serwisu Infona oznacza zgodę na zapis informacji i ich wykorzystanie dla celów korzytania z serwisu. Więcej informacji można znaleźć w Polityce prywatności oraz Regulaminie serwisu. Zamknięcie tego okienka potwierdza zapoznanie się z informacją o plikach cookies, akceptację polityki prywatności i regulaminu oraz sposobu wykorzystywania plików cookies w serwisie. Możesz zmienić ustawienia obsługi cookies w swojej przeglądarce.
This paper addresses the problem of classifying multidimensional data with relatively few training samples available. Classification is often performed based on data from measurements or ratings of objects or events. These data are called features. It is sometimes difficult to determine if all features are necessary for the classifier. Since the number of training samples needed to design a classifier grows with the dimension of the features, a way to reduce the dimension of the features without losing any essential information is needed. This paper presents a new method for feature reduction, and compares it with some methods presented earlier in the literature. This new method is found to have a more stable and predictable performance than the other methods.