属性选择
十二生肖五行如何根据五行属性选择适合的职业
十二生肖五行如何根据五行属性选择适合的职业根据中国传统文化，十二生肖与五行之间有着密切的关系。
五行包括金、木、水、火和土，每个生肖与其中之一对应。
根据五行属性选择适合的职业可以更好地发挥自己的潜力和优势。
本文将介绍各生肖的五行属性以及如何根据这些属性选择适合的职业。
鼠（阳水）：聪明灵活，机智敏捷。
适合职业包括销售人员、顾问、调查员、投资分析师等。
鼠的特点在于善于思考和分析，能够迅速应对各种情况，敏锐的洞察力使其在市场上具备竞争优势。
牛（阴土）：踏实稳重，可靠勤劳。
适合职业包括银行家、会计师、农民、建筑师等。
牛的特点在于细致耐心，勤奋努力，适合从事需要细致操作和耐力的职业。
虎（阳木）：勇猛果断，富有冲劲。
适合职业包括教练、军人、警察、运动员等。
虎的特点在于积极进取、勇往直前，天生的领导能力使其在各种激烈竞争的领域中脱颖而出。
兔（阴木）：温柔细腻，善解人意。
适合职业包括医生、教师、公关、心理咨询师等。
兔的特点在于善于倾听、体贴入微，能够为他人提供温暖和安慰，因此适合从事需要关心他人和提供支持的职业。
龙（阳木）：雄心壮志，富有创造力。
适合职业包括企业家、设计师、艺术家、演讲家等。
龙的特点在于创新思维、敢于冒险，具备出众的领导力和影响力，适合从事需要创造力和影响力的职业。
蛇（阴火）：聪明理智，机智过人。
适合职业包括律师、研究员、策划师、心理学家等。
蛇的特点在于敏锐的观察力和独特的洞察力，能够通过理性思考找到问题的解决办法，适合从事需要思维敏捷和专业知识的职业。
马（阳火）：热情活力，充满魅力。
适合职业包括销售员、演员、运动教练、旅游导游等。
马的特点在于开朗活泼、富有激情，善于与人交流，适合从事需要人际沟通和表达能力的职业。
羊（阴火）：温和友善，善于照顾他人。
适合职业包括护士、教练、社会工作者、志愿者等。
羊的特点在于与人为善、关心他人，具备卓越的同理心和团队合作能力，适合从事需要关爱他人和团队协作的职业。
猴（阳金）：灵活聪明，反应迅速。
会计计量属性的选择
会计计量属性的选择会计计量属性是指在会计核算中，用来度量和记录财务信息的方式和方法。
选择合适的计量属性对于准确反映企业的财务状况和经营成果至关重要。
在实践中，会计计量属性的选择是基于诸多因素的考虑，包括会计准则、企业的特点以及管理层的决策需求。
本文将探讨会计计量属性的选择以及在不同情况下的应用。
1. 会计计量属性的种类会计计量属性主要包括历史成本计量、公允价值计量、现值计量和实际价值计量。
历史成本计量是指以购入或建造时的实际发生成本为基础进行核算，适用于资产和负债的计量。
公允价值计量是指以资产或负债在市场上的买卖价格为基础进行核算，适用于投资性房地产和金融工具等金融资产的计量。
现值计量是指以未来现金流量的现值为基础进行核算，适用于退休福利计划等长期负债的计量。
实际价值计量是指以某一特定指标或者评估模型所确定的价值为基础进行核算，适用于无形资产等特殊情况的计量。
2. 选择会计计量属性的基本原则在选择会计计量属性时，需要遵循以下基本原则：（1）财务报表目标一致性原则：选择的计量属性应与财务报表的目标相一致，即准确反映企业的财务状况和经营成果。
（2）可比性原则：选择的计量属性应具有可比性，使得不同企业、不同时期之间的财务信息可以进行比较和分析。
（3）可靠性原则：选择的计量属性应具有可靠性，能够提供真实、公正、完整的财务信息。
（4）可衡量性原则：选择的计量属性应具有可衡量性，能够便于核算和计量。
（5）经济实用性原则：选择的计量属性应具有经济实用性，能够在合理的成本范围内获取相关的会计信息。
3. 不同情况下的计量属性选择在实际应用中，不同的财务项目可能需要选择不同的计量属性。
以下是一些常见情形的计量属性选择示例：（1）固定资产：通常采用历史成本计量，因为固定资产的购入成本相对来说是可以明确确定的。
（2）金融工具：金融工具的计量可以采用公允价值计量，因为金融工具的价格在市场上是可以观察到的。
（3）无形资产：无形资产的计量可能需要考虑其未来现金流量的现值，因此可以采用现值计量。
机器学习工具WEKA的使用总结,包括算法选择、属性选择、参数优化
一、属性选择：1、理论知识：见以下两篇文章：数据挖掘中的特征选择算法综述及基于WEKA的性能比较_陈良龙数据挖掘中约简技术与属性选择的研究_刘辉2、weka中的属性选择2.1评价策略（attribute evaluator）总的可分为filter和wrapper方法，前者注重对单个属性进行评价，后者侧重对特征子集进行评价。
Wrapper方法有：CfsSubsetEvalFilter方法有：CorrelationAttributeEval2.1.1 Wrapper方法：（1）CfsSubsetEval根据属性子集中每一个特征的预测能力以及它们之间的关联性进行评估，单个特征预测能力强且特征子集内的相关性低的子集表现好。
Evaluates the worth of a subset of attributes by considering the individual predictive ability of each feature along with the degree of redundancy between them.Subsets of features that are highly correlated with the class while having low intercorrelation are preferred.For more information see:M. A. Hall (1998). Correlation-based Feature Subset Selection for Machine Learning. Hamilton, New Zealand.（2）WrapperSubsetEvalWrapper方法中，用后续的学习算法嵌入到特征选择过程中，通过测试特征子集在此算法上的预测性能来决定其优劣，而极少关注特征子集中每个特征的预测性能。
因此，并不要求最优特征子集中的每个特征都是最优的。
会计计量属性的选择
、
会计计量属性的内容
《 企业会 计准则—基 本准则》 对会计计 量属性进行 了较大 中， 修订 。 原准则 中有５ 个计量 和确认基本原则 ， 即实际成本计价原则、 配 比原则 、 责发生制原则 、 权 划分收益性支 出和资本性支 出原则 、
谨慎原则。 新基本准则将“ 权责发生制” 不再作为一般原则 ， 同时取
在重置成本 下 ，资产按照现在购买相 同或者相似资产所需支付 的
现金或者现金等价物 的金额计量 。负债按照偿付该项债务所需支
付 的现金等价物 的金额计量。 从规定可 以看 出， 该模式指用于资产
计量的价格是为了获取企业现有资产 的市场牌价 ，如果 企业 没有
多地方都进行 了有益 的探索 。展望未来农村 的财务 管理问
题， 笔者认 为大力推行村级会计委 托代 理 ， 不失 为一个好的
适用的现时牌价 ，则需要利用资产 的价格指数并通过估 价方法作 出近似的现时重置成本来计量。重置成本强调的是 现在 购买或偿 付， 而计量对象是现有资产或负债 。 从时点上说 ， 是过去 ， 不是 现在
赋会 实 务
第三 ， 明确财务公示制度 ， 要 提高财务公开 的质量 ， 完善 账务代理制度 。要完善财务公开制度 ， 明确经管站为村级财 务公 开的主体 ， 经管站要定期将各村财务收支明细情况逐笔 在村务公开栏 中公开 ， 接受群众的评议 、 监督 ， 不得 由村里公 开财务 内容 。在村级财务公开工作 中， 必须做到公开内容要
（ ） 三 建全 村 民主 理 财 小 组 ， 坚持 民 主理 财
历史成本 ， 又称原始成本 ， 是指 以取得资产时实际发 生的成本 作为资产的入账价值 。这是资产的计价模式 。准则规定 ， 在历史成
会计计量属性选择的决策因素与实施策略分析
会计计量属性选择的决策因素与实施策略分析会计计量属性选择是指企业在进行会计确认和计量过程中，根据不同的情况和需求选择合适的计量属性。
计量属性选择的决策因素涉及到会计政策选择、业务特征、财务目标和估计不确定性等多个方面。
本文将从这些方面分析计量属性选择的决策因素，并提出相应的实施策略。
一、会计政策选择会计政策是企业在编制财务报表时对于有关会计计量属性的选择、计量方式的确定和计量基准的使用等方面所采取的方法和准则。
会计政策的选择对于计量属性的确定起到了决定性的作用。
企业会计政策的选择应尽量保持一贯性和连续性，以确保财务报表具有可比性。
此外，会计政策的选择还应考虑与行业标准和相关法律法规的一致性。
二、业务特征不同类型的业务具有不同的计量属性选择要求。
例如，对于货币资产和货币负债，应采用货币计量属性。
对于非货币资产和非货币负债，可以采用历史成本计量属性或公允价值计量属性。
对于无形资产和资产负债表日后的收益，应采用成本计量属性。
对于收入和费用，应采用权责发生制原则，即在实质发生时确认和计量。
三、财务目标企业不同的财务目标也会影响计量属性的选择。
例如，如果企业的财务目标是追求利润最大化，可能更倾向于采用公允价值计量属性，以便及时反映资产价值的变动。
而如果企业的财务目标是稳定的盈利水平，可能更倾向于采用历史成本计量属性，以避免市场价格波动对利润的影响。
四、估计不确定性在某些情况下，会计计量属性的选择需要对未来情况进行估计。
例如，在确认无形资产价值时，可能需要根据未来的收益预测进行估计。
在选择计量属性时，应考虑到估计的不确定性和可靠性。
对于具有较高不确定性的事项，应采用保守的计量属性，以减少风险。
实施策略根据以上的决策因素，以下是一些实施策略的建议：1.清晰的会计政策手册：企业应建立一个清晰明确的会计政策手册，详细说明各项会计计量属性的选择依据和具体应用情况。
2.严格遵循会计准则：企业应严格遵循相关会计准则和法规，确保财务报表的合规性和可比性。
计量属性的选择
计量属性的选择会计计量是在一定的计量尺度下,运用特定的计量单位,选择合理的计量属性,确定应予记录的经济事项金额的会计过程。
财务会计的许多理论和方法都要涉及到会计的计量问题。
会计计量一般包括两方面的问题:一是计量单位或计量长度;二是计量属性。
而计量属性的选择是关键。
所谓计量属性,是指被计量客体的特性或外在表现形式。
在财务会计中,计量属性是指资产、负债等要素可用财务形式定量化的方面,即能用货币单位计量的方面,经济交易或事项同样可以从多方面予以货币定量,从而有不同的计量属性。
由此,如何选择会计计量属性,便成为会计实践中的一个重要问题。
迄今为止，人们提出了五种普遍认可的计量属性，即历史成本、现行成本、现行市价、可实现净值和未来现金流入量现值。
这五种计量属性并不是同时提出的。
传统会计的目的在于向投资人、债权人提供有助于理解企业经营成果和财务状况的会计信息，所以，只有历史成本是从15世纪使用复式簿记以来始终作为计价依据的一种计量属性。
其余四种计量属性，都是在本世纪为适应经济的多样化和复杂化提出来的。
就其具体原因而言，我认为主要有以下几点：一、物价变动的现实，向历史成本提出挑战。
在通货膨胀时期，物价的持续上涨严重动摇了会计的历史成本计量基础，表现为：会计报表的真实性和可靠性大大降低，根据会计报表作出的经营或投资决策会导致严重的失误；不能保持企业的实物资本和经营能力。
因此，为确保会计目标的实现，产生了物价变动会计，它提出了三种计量模式供采用：1、以历史成本为计量属性，结合使用后进先出法、加速折旧法等可以消除通货膨胀影响的会计方法；2、一般物价水平会计，以历史成本为计量属性，会计报表的数字按一般物价指数予以调整；3、现时成本会计，以现行成本为计量属性。
二、会计职能的延伸，丰富了会计计量属性的内容。
现代经济要求企业管理现代化，从而要求会计人员提供有助于经营决策的会计信息，因此会计计量面向企业现在和未来的经济活动，需要使用现行成本或未来现金流入量现值。
CSS3选择器——属性选择器、关系选择器、结构化伪类选择器、伪元素选择器、伪链接
CSS3选择器——属性选择器、关系选择器、结构化伪类选择器、伪元素选择器、伪链接属性选择器 属性选择器可以根据元素的属性及属性值来选择元素。
CSS3中新增了 3 种属性选择器：E[att^=value]、E[att$=value] 和 E[att*=value]1.E[att^=value] 属性选择器 E[att^=value] 属性选择器是指选择名称为 E 的标记，且该标记定义了 att 属性，att 属性值包含前缀为 value 的⼦字符串。
其中 E 是可以省略的，如果省略则表⽰可以匹配满⾜条件的任意元素。
如：div[id^=section] 表⽰匹配包含 id 属性，且 id 属性值是以 “section” 字符串开头的 div 元素。
2.E[att$=value] 属性选择器 E[att$=value] 属性选择器是指选择器名称为 E 的标记，且该选择器定义了 att 属性，att 属性值包含后缀为 value 的⼦字符串。
与E[att$=value]选择器⼀样，E元素可以省略，如果省略则表⽰可以匹配满⾜条件的任意元素。
如：div[id$=section]表⽰匹配包含 id 属性，且 id 属性值是以 “section” 结尾的 div 元素。
3.E[att*=value] 属性选择器 E[att*=value] 选择器⽤于选择名为 E 的标记，且该标记定义了 att 属性，att 属性值包含 value ⼦字符串，该选择器与前两个选择器⼀样，E 元素也可以省略，如果省略则表⽰可以匹配满⾜条件的任意元素。
如：div[id*=section] 表⽰匹配包含 id 属性，且 id 属性包含 “section” 字符串的 div 元素。
关系选择器 CSS3中的关系选择器主要包括⼦代选择器和兄弟选择器，其中⼦代选择器由符号 “>” 连接，兄弟选择器由符号 “+”和 “~” 连接。
1.⼦代选择器（>） ⼦代选择器主要⽤来选择某个元素的第⼀级⼦元素，如希望选择只作为 h1 元素⼦元素的 strong 元素，可以写为：h1 > strong。
4.1属性选择器
01
CSS3选择器简介
CSS3选择器简介
使用选择器可以方便的定位于指定的元素，而不用使用额外的class或id，通 过这种方式也可以让我们的代码和样式更加简洁、灵活、易控制。
简洁
灵活
易控制
02
属性选择器
属性选择器
属性选择器可以根据 元素的属性及属性值 来选择元素。CSS3 中新增了3种属性选 择器。
示例
E[att*=value]属性选择器
定义 E[att*=value]选择器用于选择名称为E的标记，且该标记定义了
att属性，att属性值包含value子字符串。 语法结构
E[att*="value"]{ CSS样式属性 } 说明
选择具有att属性且属性值为包含value的字符串的E元素。
选择具有att属性且属性值为以val开头的字符串的E元素。
ห้องสมุดไป่ตู้
E[att^=value]属性选择器
注意 E是可以省略的，如果省略则表示可以匹配满足条件的任意元素。 value也可以省略，如果省略则表示可以匹配带有att属性的所有E标记
示例：使用下方内容对该属性选择器进行练习
E[att$=value]属性选择器
E[att^=value] E[att$=value] E[att*=value]
E[att^=value]属性选择器
定义 E[att^=value] 属性选择器是指选择名称为E的标记，且该标记定义
了att属性，att属性值包含前缀为value的子字符串。
语法结构
说明
E[att^=“value”]{ CSS样式属性 }
定义 E[att$=value] 属性选择器是指选择名称为E的标记，且该标记定
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分类模型中的属性选择算法研究1引言20世纪六、七十年代以来，计算机科学技术的飞速发展使得存储或获得海量数据成为可能，数据存储成本的不断降低则加速了这一过程的发展。
因为数据生成和积聚的量超过了分析人员所能分析的数量，建立一套方法来从数据库中自动分析数据和进行知识发现将是一种必然性选择。
对这一问题，人们进行了有益的探索，其结果是导致了处理大型或海量数据的数据挖掘技术的产生和发展。
数据挖掘从机器学习、统计学、数据库等多学科领域汲取营养，发展了一套适合自身特点的数据挖掘方法和数据处理手段，用于知识学习、信息提取和结果可视化展现。
数据挖掘任务建模过程中，在考虑模型拟合效果、任务系统运行时间和数据存储空间限制的前提下，对某些数据集而言，包含所有或更多的属性/变量的模型并不一定是最适合、最满意的(或最优的)模型。
这是因为数据集中存在和学习任务不相关的属性/变量，或者是高度相关而冗余属性/变量，它们会导致无效的归纳和降低学习的效率。
最近的研究表明【1】，简单最近邻算法(KNN)对不相关属性非常敏感——它的样本复杂度(达到给定精度所需最低样本量)与冗余属性呈指数性增长。
决策树算法，如C4.5，有时可能过度拟合数据，从而获得较大的树，在许多情形下，去掉不相关或冗余的信息可使得C4.5产生更小的树。
朴素贝叶斯分类算法由于其给定类的属性独立性假设，冗余属性的存在也可能影响其分类表现。
大量的实证研究结果表明，属性选择在提高学习任务的效率、任务预测的精度和增强、获得规则的可理解性等方面是较有成效的。
由此，可知在数据挖掘任务建模过程中，通过一定的方式和方法去掉不相关或冗余属性，进行属性变量选择往往可以获得更令人满意的知识学习模型。
这也就引发并促进了有关属性选择问题的研究和讨论。
2属性选择概述2.1属性选择的定义在过去的十多年，属性选择己经在机器学习、模式识别中关于数据的预处理部分变得非常重要，特别是对于一些高维的数据，如基因数据、代谢数据、质谱数据等。
从理论上讲，属性数目越多，越有利于目标的分类，但实际情况并非如此。
在样本数目有限的情况下，利用很多属性进行分类器设计，无论是从计算的复杂程度考虑，还是分类器性能都是不适宜的。
同时样本的属性通常可分为4种类型，即有效属性，噪音属性，问题无关属性和冗余属性。
其中有效属性是指对学习算法有积极效果的属性，噪音属性会对学习算法造成不良影响，问题无关属性指与学习算法无关的属性，而冗余属性指包含分类有关的信息，但在己有的属性集中添加或删除该属性并不会影响学习算法性能的属性。
对于特定的任务来说，噪音属性的存在容易使分类算法得出错误的结果，导致错误分类;冗余和问题无关属性的存在会降低算法的性能。
人们通常通过属性选择或提取来去掉冗余和噪音属性，这是降低复杂度和提高分类精度的有效途径。
属性选择在减少冗余不相关属性的同时，往往也可以：(1)减少获取数据的成本；(2)获得更易理解和解释的模型；(3)提高数据挖掘归纳学习的速度和效率；(4)提高分类的精度；(5)降低或避免维度灾难；(6)更好地形成结构化知识。
属性选择是模式识别、统计学以及数据挖掘等领域一个十分活跃的研究方向，其主要目的是从原始属性集中删除不具有预测能力或预测能力及其微弱的属性，建立高效的学习模型。
它也是对高维数据进行降维的一种有效手段。
当然，不同的应用问题，属性选择定义的角度会有所不同。
以下是从不同角度对属性选择所作的各种定义。
理想化：寻找最小属性子集，该子集是目标概念的充分必要属性子集。
典型：在属性个数为n的属性集合中选择属性个数为m的属性子集，m<n，在所有属性个数为m的属性子集中，该子集的评估函数结果最优。
提高预测精度：属性选择的目的是选择一个属性子集，用该属性子集构建分类器可以提高分类器的预测精度（Prediction Accuracy)，或者在不显著降低该分类器预测精度的前提下，减小结构。
逼近初始类分布：属性选择的目标是选择一个属性子集，用该属性子集在训练样例上学习得到的类分布 (Class Distribution)要尽可能的接近用属性全集学习得到的类分布。
参照上述定义可知属性选择目的是选择一个尽可能小的属性子集，用该属性子集训练样例得到的类分布接近原数据，并且学习后得到的分类器预测精度提高或并不显著降低。
2.2属性选择的基本流程从属性选择的定义描述可知，在进行属性选择的过程中不可避免的面对如下问题：（1） 如何选择属性或属性子集?（2） 如何评判一个属性或属性子集对于学习任务而言是最优或最合适的呢?（3） 应以什么为标准对属性进行排序和选择?（4） 什么样的标准是最适合的?所有这些问题都是属性选择研究和实际应用中必须考虑的。
但是，概括来说，属性子集选择也就是解决属性或属性子集间关系测度、属性空间搜索和属性排序与选择的三步一体问题的过程。
一般来说，如果不考虑属性之间的冗余性，属性选择的执行由子集生成、子集评估、停止准则和结果有效性验证等四个流程组成【5】。
如图2.1所示：图2.1属性选择的基本流程子集生成是一个属性空间的搜索过程，它产生用于评估的属性子集。
如果一个数据集包−(不含空集)，当N较大时，这使得包含含N个属性，那么全部的候选子集的数量是2N1一定数量属性的属性空间进行穷尽式搜索也是不可行的。
子集评估是根据预先设定的评估准则评价并比较选出最优属性子集的过程。
停止规则的作用则在于避免算法程式在执行时进入无限循环之中。
合适的停止规则将有利于获得满意的学习过程和结果模型。
如果没有一个合适的停止规则，在属性选择进程停止前，程式运行可能需要很长的时间和空间代价，而模型的满意程度并不有所提高。
属性选择的停止规则可以设定为以下条件之一：1）一个预先定义所要选择的属性数；2）预先定义的迭代次数；3）是否增加(或删除)任何属性都不产生更好的子集；4）己经根据确定的评估标准获得最优的子集。
选择的最优子集需要通过在所选子集和原属性集进行不同的测试和比较，使用人工和现实世界的数据集对产生的结果进行有效性验证。
研究人员已经研究了属性选择过程的不同方面。
搜索过程是属性选择问题研究的一个关键问题，例如搜索起始点、搜索的方向和搜索策略，另一个重要的方向是如何评估属性子集的优势度。
2.3属性空间搜索属性选择通过删除不相关的属性(或维)减少数据量。
通常使用属性子集选择方法，属性子集选择的目标是找出最小属性集，使得数据类的概率分布尽可能地接近使用所有属性的原分布。
“如何找出原属性集合的一个‘好的’子集?”d 个属性有个可能的子集。
穷举搜索找出属性的最佳子集可能是不现实的，特别是当和数据类数目增加时。
因此，对属性子集选择，通常使用压缩搜索空间的启发式算法。
通常，这些算法是贪心算法，在搜索属性空间时，总是做看上去是最佳的选择。
他们的策略是做局部最优选择，期望由此导致全局最优解。
在实践中，这种贪心算法是有效的，并可以逼近最优解。
2dd 属性选择的大多数方法都要牵涉到在属性空间搜索最有可能做出最好类预测的属性子集。
属性空间搜索主要考虑4个方面的问题：属性搜索的起始集合、搜索算法、属性子集评价方法和搜索停止标准，不同的搜索方法对这4个问题的实现方式不同。
图2.2展示了大家非常熟悉的天气数据的属性空间【3】。
图2.2天气数据集的属性空间基本上，属性子集的搜索方向是两个方向中的一个，即图中从上往下或是从下往上。
在每个阶段，通过增加或删除一个属性，来改变目前的属性子集。
朝下的方向，开始时是不含任何属性，然后每次增加一个，称为正向选择。
朝上的方向，开始时包含了所有属性，然后每次减少一个，称为反向消除。
在正向选择时，每个当前子集没有包含的属性被暂时加入，然后对结果子集的属性进行评估，譬如使用交叉验证方法。
评估产生一个数字结果用以衡量子集的期望性能，通过这个方法对依次添加每个属性所产生的结果进行定量，选择其中最好的，然后继续。
如果向目前的子集中添加任何一个属性都不能有改善时，即终止搜索。
这是一个标准的贪心搜索程序，能保证找到一个局部的，不必是全局的、最好的属性集。
反向消除操作采用完全类似的模式。
在这两种情形中，对于较小的属性集经常引用一个微小偏差。
在正向选择中，如果要继续搜索，评估值的增加必须要超出某个预先设定的最小增量。
对于反向消除也采用类似的方法。
还存在一些更为精细复杂的搜索算法。
正向选择和反向消除法可以结合成双向搜索，同样一开始可以包含所有属性或者不含任何属性。
最佳优先搜索(Best-First Search)不是在性能开始下降时停止搜索，而是保存到目前为止已经评估过的所有属性子集清单，并按照性能衡量好坏排序的方法，因此它可以重访先前的配置。
只要时间允许它将搜索整个空间，除非是采用某种停止标准。
限定范围搜索 (Beam Search)也很类似，只是在每个阶段截取属性子集清单，因此它只含有固定数目的束宽 (Beam width)中最有希望的候选对象。
遗传算法(GenericAlgnrithm)搜索程序松散地基于自然选择原理，使用对当前的候选子集的随机摄动，而“进化出”好的属性子集。
2.4属性关系测度与属性评价量化是科学管理的第一步，它导致控制，并最终实现改进。
如果你不能够量化某些事情，那么你就不能理解它。
如果你不能理解它，那么你就不能够控制它。
如果你不能控制它，那么你就不能改进它(H ．James Harrington)。
尽管其过分强调了量化的作用，然而在属性选择的执行过程中，属性之间关系的量化的确如此。
没有科学合理的量化属性之间的真实关系，也就不能合理评价属性对与目标预测属性有关的规则归纳学习的有用性，合理的属性评价选取规则无从建立，相关属性的选取或不相关和冗余属性的剔除也就无从谈起。
属性选择方法中所使用的属性关系测度基本可归为5类【1】：1、距离测度(Distance measures)：也称可分离性、分歧，或识别度量(discrimination measure)，是一类概率函数之间的关系测度。
对于一个二分类问题，如果一个属性i f 较另一个属性j f 在类条件密度函数(先验或后验)之间具有更大的条件概率差异时，则属性i f 是更优的；如果差异为零，则这两个属性是不能区分的。
这类测度有Kullback-Liebler 可分离性、Bhattcharyya 距离和Kolmogorov 变动距离等。
2．信息测度(Information measures)：通过计算一个属性对分类结果的信息增益能力来评估或对属性进行排序。
对属性i f 而言，其信息增益被定义为使用属性i f 分类前后的表示信息量的不确定性测度(Uncertainty measures)的差异。
这里所指的不确定性测度一般指熵(Entropy measures)。