随着社会的进步和科技的发展，近年来物联网和云计算等信息技术飞速发展，生产生活中涌现出大量数据。通过数据分析可以获得很多有用的信息，研究这些信息可以对金融、医疗、网购、空间信息等方面的管理和预测产生决定性的影响。而数据的收集和整理是寻找这些重要信息的主要来源。由于技术和设备以及其他非人为的原因，收集到的数据存在大量不相关和冗余的信息。不相关和冗余的信息给数据的分析与处理等工作带来很多困难，甚至导致数据背后有价值的信息无法准确获得。维度降低是消除冗余数据的一个好方法。通过什么算法实现的降维方法能够将冗余和不相关的数据从数据集中去掉，为大数据分析做好前提和基础呢？去掉冗余的数据对源数据的分类有多大影响？对这些问题的研究，有利于大数据分析的顺利进行，为大数据分析奠定基础。基于上述研究背景，本书通过对现有降维方法的梳理，提出三个混合式特征选择算法，分别是最大斯皮尔曼最小协方差布谷鸟算法（MSMCCS）、k值最大相关最小相冗改进的灰狼优化算法（KMR²IGWO）和最大皮尔森最大距离改进的鲸鱼优化算法（MPMDIWOA）。实验结果表明，MSMCCS算法有很快的收敛速度并且分类准确率明显好于其他算法。KMR²IGWO算法在14个数据集上降维的效果非常明显，降维效果达到原来的0.4%～0.04%。在大部分数据集上MPMDIWOA算法的分类准确率高于其他算法。因此，提出的三个算法在有较高分类准确率的前提下，取得了理想的降维效果，为进行大数据分析奠定了基础。