交互的特征是指那些分開考慮對目標集不相關或弱相關，但合在一起考慮卻對目標集高度相關的特征。特征交互現(xiàn)象廣泛存在，但找出有交互作用的特征卻是一項具有挑戰(zhàn)性的任務。本文旨在對基于聚類的FAST特征選擇算法進行改進，在其基礎上考慮特征的交互作用，首先去掉FAST的移除不相關特征的部分，接著加入交互權(quán)值變量，使得在移除不相關和冗余特征的同時，保留有交互作用的特征。為了對兩個算法進行對比分析，我們選取了5個不同領域的16個公開數(shù)據(jù)集進行實證分析，并使用4種分類器對實驗結(jié)果進行評估，包括C5.0、Bayes Net、Neural Net和Logistic，接著從選擇的特征個數(shù)、算法運行時間和分類器的準確率3個方面對兩個算法進行比較。實驗結(jié)果表明，兩者選擇的特征個數(shù)相差不大，有時IWFAST甚至可以減少特征個數(shù)，同時IWFAST能提高分類器的準確率，尤其對于特征數(shù)量較多的情形，以及Game和Life領域。美中不足的是，IWFAST的運行時間較長，但仍在可接受的范圍內(nèi)。