基于最大依赖和最小冗余的多标签特征选择

基于最大信息系数和Gram-Schmidt正交化的生物医学数据过滤特征选择方法

采用新的特征提取方法,该方法将目标按人体结构特点划分为多个子区域,利用各个子区域的质心与头部质心形成的距离和夹角对步态特征进行描述

标准HOG模型在行人检测领域中最为经典，相比于标准模型中整齐划一的block，不同尺寸的block可以获得更多的细节信息。首先，在去除上下文背景的32×96尺寸模型基础上设计144个block特征；然后，提出类Fisher比计算block类别区分力；最后，利用NMS方法选出24个block，串接为1 854维的行人检测模型。实验结果表明，该利用特征选择改进的行人检测模型获得了显著的性能提升。

此工具箱提供两种类型的二元灰狼优化 (BGWO) 方法 演示了 BGWO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** ********************************** 请考虑引用我的文章[1] 太，经纬，等。 “一种新的竞争性二元灰狼优化器，用于解决 EMG 信号分类中的特征选择问题。” 计算机，卷。 7，没有。 4，MDPI AG，2018 年 11 月，第 4 页。 58、DOI： https : //doi.org/10.3390/computers7040058 [2] 也是，经纬和阿卜杜勒·拉希姆·阿卜杜拉。

吉林大学计算机软件学院人工智能课程（李老师授课）大作业某算法优化思路

信息论中的技术通常用于选择时间序列预测或模式识别中的变量。 这些任务直接或间接地涉及输入和输出数据之间互信息的最大化。 然而，由于联合熵的计算，该过程需要大量的计算工作，这需要联合概率分布的估计。 为了避免这种计算工作，可以根据最小冗余/最大相关性原则应用变量选择，以较低的计算成本间接最大化互信息。 然而，组合优化的问题，即检查所有可能的变量组合，仍然代表大量的计算工作。 由于这种计算成本，以前的一些工作提出了一种简单的增量搜索方法，可以达到准最优解。 鉴于现有方法的局限性，开发了此代码，以使用遗传算法执行组合优化。 参数是所需的所选特征数 (feat_numb)、矩阵 X，其中每一列是一个特征向量示例，以及其各自的目标数据 y，它是一个行向量。 输出是一个向量，其中包含组成最佳特征集的特征的索引，其中特征的顺序与其重要性无关。 如需出版，请引用原著：O. Ludwig and U. Nu

使用遗传算法进行数据挖掘中的特征选择（减少）以获得最高的分类准确度。 在这个项目中，可以使用 4 个分类器：朴素贝叶斯、k-最近邻、决策树和 MLP 神经网络。 您还可以将您自己的分类器替换为您自己的数据集。

Lasso方法与其他特征选择一样，对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题（过拟合）。为解决此问题，提出一种改进的Lasso方法：迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份，对第一份特征子集进行特征提取，将所得特征加入第二份，再对第二份特征进行特征提取；然后将所得特征加入第三份，依次迭代下去，直到第K份，得到最终特征子集。实验表明，迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择，是一种有效的特征选择方法。目前，此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。

凸多视图低秩稀疏回归用于特征选择和聚类