SVM-RFE 是生物信息学中强大的特征选择算法。 当特征数量较多时，避免过拟合是一个不错的选择。 但是，当存在高度相关的特征时，它可能会出现偏差。 我们提出了一种“减少相关偏差”的策略来处理它。 请参阅我们的论文（Yan 等人，具有递归特征消除的相关气体传感器数据的特征选择和分析”，2015 年）。 该文件是我们的方法和原始 SVM-RFE 的实现，包括线性和 RBF 内核。 **需要LibSVM** 感谢 SVM-KM 和蜘蛛工具箱！

特征选择方法综述，介绍了特征选择算法分类等

matlab实验源代码 feature-selection 很简单的特征选择代码实现。会逐步追加不同的特征选择方法。 读取数据是用的libsvm中的libsvmream。数据下载地址： Data文件夹为试验用数据 matlab文件夹为libsvm安装包。里面是已经用mex安装过后的状态 MI文件夹是互信息量计算，源代码为C method为特征选择方法的文件夹，会陆续更新不同的特征选择方法。 方法：mRMR，reliefF，SVM_REF 这个项目鸽了，没意思

pso svm的matlab代码粒子群算法 粒子群算法用于特征选择 运行MATLAB代码的步骤1：运行PSO.m文件 您可以将数据集和SVM分类器替换为您选择的数据集和SVM分类器。 如果发现错误，请给我们发送电子邮件。 萨迪·萨利（Sadegh Salesi） Georgina Cosma博士 参考：S. Salesi和G. Cosma，“一种新颖的用于特征选择的扩展二进制杜鹃搜索算法”，2017年第二届国际知识工程与应用大会（ICKEA），伦敦，2017年，第6-12页。 doi：10.1109 / ICKEA.2017.8169893关键字：{特征选择;优化;模式分类;随机过程;搜索问题;支持向量机;伪二元突变邻域搜索程序;扩展的杜鹃搜索算法;特征选择;分类精度;杜鹃鸟;Lévy飞行随机游走；搜索空间；Lévy飞行机制；扩展的二元布谷鸟搜索优化；布谷鸟搜索策略；支持向量机分类器；优化；搜索问题；特征提取；鸟；算法设计和分析；空间探索；收敛性；特征选择；分类；布谷鸟搜索；变元优化；自然启发式算法}，URL： 摘要：杜鹃搜索是一种最新的自然启发式元启发式算法，其灵感来自杜鹃鸟积极的繁

matlab代码粒子群算法遗传算法 特征选择的遗传算法 自述文件-有关如何运行代码的说明。 运行MATLAB代码的步骤1：运行GA.m文件 您可以将交叉，变异，分类器和数据集替换为您选择的那些。 如果发现错误，请给我们发送电子邮件。 萨迪·萨利（Sadegh Salesi） Georgina Cosma博士 参考：S. Salesi和G. Cosma，“一种新颖的用于特征选择的扩展二进制杜鹃搜索算法”，2017年第二届国际知识工程与应用大会（ICKEA），伦敦，2017年，第6-12页。 doi：10.1109 / ICKEA.2017.8169893关键字：{特征选择;优化;模式分类;随机过程;搜索问题;支持向量机;伪二元突变邻域搜索程序;扩展的杜鹃布偶搜索算法;特征选择;分类精度;杜鹃鸟;Lévy飞行随机游走；搜索空间；Lévy飞行机制；扩展的二元布谷鸟搜索优化；布谷鸟搜索策略；支持向量机分类器；优化；搜索问题；特征提取；鸟；算法设计和分析；空间探索；收敛性；特征选择；分类；布谷鸟搜索；变元优化；自然启发式算法}，URL： 摘要：杜鹃搜索是一种最新的自然启发式元启发式算法，其灵感来

文档介绍了tfidf算法的由来，对权重计算做了详细介绍，对tfidf的发展做了个综述

参数1是特征值（离散），参数2是对应的标签 参考论文是：S. Wu，PA Flach，带有标记和未标记数据的特征选择，可在http://ai.ijs.si/branax/iddm-2002_proceedings/Wu.pdf 相关论文是：技术说明：决策树归纳中基于信息的措施的偏差。 我按照第一篇论文对文件进行了编程，但发现结果不合理，想知道是卡方特征分析方法的缺点还是我的文件中的一些错误。 希望有人能指出。 计算出的 chi 值需要与卡方表进行比较，以了解特征的重要性。 方格桌： http://www.ma.utexas.edu/users/davis/375/popecol/tables/chisq.html

1.编写Matlab命令序列，求解文献[1]138页例5.2。 2.修改实验代码，求解文献148页5.1题。

随机森林进行特征选择与回归

针对机械故障诊断知识的近似最优属性约简不惟一要求，从得到多个满足分类精度的属性约简集合的目标出发，提出了一种基于特征选择和变精度粗集的属性约简方法。该算法将特征选择过程，从由完全属性集开始的属性删除方式转变为从核属性出发以增加关键属性为主的多目标方式；同时引入决策属性支持度，保证了约简结果对于论域对象分类的准确率。通过机械故障状态数据的实例应用，表明该方法可获得旋转机械各类典型故障的关键属性，得到了给定准确度下的多个约简集合。