Existing 

 
● Input features​
 ­ class column (fully surrendered, not surrendered), other columns 
● Filter model of feature selection 
● F­correlation measure calculation​
 (select relevant and irrelevant features) 
● Graph based clustering method 
● Ad_matrix created 
● Prim’s Algorithm to generate minimum spanning tree. 
● Minimum edges selected 
● Each edge 2 attributes 
● Compare edge weight with weight of 2 attributes 
● If edge weight not less than both weights above then  
● Add edge selected edges set 
● End if 
● For all edges from selected edges set 
● If any 1 feature present in previous cluster then 
● Add other feature from edge to any 1 of existing group of attributes 
● Else 
● Add both features from edge to new group 
● End if 
● End for 
● For each ​
group 
● Add first attribute to selected attribute set 
● End for 
● Display final selected attribute set 
F­correlation measure  
● symmetric uncertainty is defined as follows 
ᵄᵄ(ᵄ, ᵅ ) =2 × ᵃᵄᵅᵅ(ᵄ∣
ᵅ)/ᵄ(ᵄ) + ᵄ(ᵅ )  . (1) 
Where, 
1)ᵄ(ᵄ) is the entropy of a discrete random variable ᵄ. Suppose ᵅ(ᵆ) is the prior probabilities for all values of ᵄ, 
ᵄ(ᵄ) is defined by 
ᵄ(ᵄ) = −Σ ᵅ(ᵆ) log2 ᵅ(ᵆ)…. (2) 
  ᵆ∈ᵄ 
2)Gain(ᵄ∣
ᵅ ) is the amount by which the entropy of ᵅ decreases. It reflects the additional information about ᵅ 
provided by ᵄ and is called the information gain which is given by 
ᵃᵄᵅᵅ(ᵄ∣
ᵅ) = ᵄ(ᵄ) − ᵄ(ᵄ∣
ᵅ ) 
  = ᵄ(ᵅ ) − ᵄ(ᵅ ∣
ᵄ) …. (3) 
ᵄ(ᵄ∣
ᵅ ) = −Σ  ᵅ(ᵇ) Σ ᵅ(ᵆ∣
ᵇ) log2 ᵅ(ᵆ∣
ᵇ). (4)….(conditional entropy) 
                 ᵇ∈ᵅ     ᵆ∈ᵄ   
Proposed 
 
● Input features ­ class column (fully surrendered, not surrendered), other columns 
● Filter model of feature selection 
● Entropy Correlation coefficient calculation with Information gain calculation (select relevant and 
irrelevant features) 
● Graph based clustering method 
● Kruskal’s Algorithm to generate minimum spanning tree. 
● Minimum edges selected 
● Each edge 2 attributes 
● Compare edge weight with weight of 2 attributes 
● If edge weight not less than both weights above then  
● Add edge selected edges set 
● End if 
● For all edges from selected edges set 
● If any 1 feature present in previous cluster then 
● Add other feature from edge to any 1 of existing group of attributes 
● Else 
● Add both features from edge to new group 
● End if 
● End for 
● For each group 
● Add first attribute to selected attribute set 
● End for 
● Display final selected attribute set 
Entropy Correlation coefficient calculation.. (Proposed system) 
The below formula will be used: 

 
Where, I is mean dependence information and is given by,