针对表征矿物浮选工况的泡沫图像特征冗余性大的问题,提出了一种无监督约简的浮选泡沫图像特征选择方法.该方法首先定义敏感性指数,并基于敏感性指数约简得到与工况相关的敏感图像特征集;然后针对敏感图像特征之间的自相关性,提出基于粗糙集属性重要度的敏感图像特征集约简方法;最后将该方法应用于金锑浮选过程,并利用工业现场数据进行测试,证明了该方法的有效性,为基于机器视觉的浮选过程监控创造了条件.

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.

这里包含一个App以及一个特征选择主成分分析

 信息增益是文本分类中一种有效的特征项选择方法，针对垃圾邮件过滤中的特征项选择问题，提出了一种改进的信息增益方法提取特征词，并采用了最小风险贝叶斯的决策方法，最后在英文语料库上进行实验，实验结果表明改进后的方法降低了过滤器对合法邮件的误判。

蛋白质的磷酸化是重要的翻译后修饰，可激活信号通路中包括的各种酶和受体。 为了减少通过费力的实验来鉴定磷酸化位点的成本，已经积极研究了其计算预测。 在这项研究中，通过采用一组新的特征，并在通过支持向量机进行训练之前，通过随机森林在网格搜索中应用特征选择，我们的方法对两个不同的数据集实现了更好或相当的磷酸化位点预测性能。

文本按照一定的策略归于一个或多个类别中的应用技术。文本分类是文本挖掘的基础。而 特征选择又是文本分类中的核心．论文分析了以前特征选择方法中由于特征数目过多而造成分类时间和精度不高的缺 点。提出了一种基于粗糙集的特征选择方法．其特点是以特征在文本分类中的重要性对特征进行选择

采用无信息变量消除法（UVE）对变量进行筛选，筛选出最重要的变量信息。

VSM文本特征选择 文本特征选择 文本特征选择 文本特征选择

此matlab的mrmrd程序代码是基于特征选择的代码，可以筛选出最优的特征。

该代码是最小冗余最大相关性（mRMR）代码，里面也包含了数据和案例，很容易跑通代码。