Mahalanobis-Taguchi系统(MTS)是一种多元数据诊断和预测技术,它被广泛用于优化大样本数据或不平衡数据,但却很少用于高维小样本数据。摘要优化MTS的分类从两个方面讨论了高维小样本数据,即协方差矩阵的逆矩阵的不稳定和不稳定的特征选择。首先,基于正则化和平滑技术,提出了一种修改Mahalanobis度量计算Mahalanobis距离,这是旨在减少逆矩阵的影响在小样本条件下不稳定。其次,最低redundancy-maximum相关性(mRMR)算法引入的MTS失稳特征选择问题。通过使用mRMR算法和信噪比(信噪比),提出了一种两阶段的特征选择方法:mRMR算法是首先用来消除噪音和冗余变量;然后使用正交表和信噪比屏幕上的组合分类作出伟大贡献的变量。然后,优化的可行性和简单MTS从UCI数据库五个数据集所示。Mahalanobis距离基于正则化和平滑技术(RS-MD)比传统的更健壮的距离。两级特征选择方法提高了特征选择对MTS的有效性。最后,应用优化的MTS Spambase邮件分类的数据集。结果表明,优化后的MTS优于经典的MTS和其他3机器学习算法。