二进制粒子群优化算法主代码， 其中bpso_project函数为特征子集评价函数， 对接自己的数据集与评价函数即可使用。

针对神经性疾病难以确诊的问题，提出了一种基于图的特征选择方法，过滤掉不相干的特征，从而方便并且准确地对疾病患者进行诊断。算法首先基于先验知识定义了两种基本关系（特征关系和样本关系）；然后将这两种关系嵌入到一个由最小二次损失函数和l2 -范数正则化因子组成的多任务学习框架中进行特征选择；最后，将约简得到的降维矩阵送入支持向量机（SVM）中对阿兹海默症患者进行确诊。通过对Alzheimer’s disease neuroimaging initiative（ANDI）的研究数据集进行实验得知，提出算法的分类效果均优于一般常用分类算法，如K最近邻法（KNN）、支持向量机（SVM）等。提出的算法通过考虑特征选择和引入两种数据的内在关系，有效提高了阿兹海默疾病诊断的正确率。

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

此工具箱提供二进制原子搜索优化 (BASO) < Main> 举例说明了 BASO 如何使用基准数据集解决特征选择问题。 ****************************************************** ****************************************************** **********************************

特征选择+分类

特征降维能够有效地提高机器学习的效率,特征子集的搜索过程以及特征评价标准是特征降维的两个 核心问题 。综述国际上关于特征降维的研究成果 ,总结并提出了较完备的特征降维模型定义 ; 通过列举解决特 征降维上重要问题的各种方案来比较各种算法的特点以及优劣 ,并讨论了该方向上尚未解决的问题和发展 趋势。

特征选择（特征子集选择）问题是各个领域中重要的预处理阶段之一。 在真实的数据集中，存在许多无用的不相关的、误导性的和冗余的特征。 主要特征可以通过特征选择技术来提取。 特征选择属于NP-hard问题； 因此，元启发式算法可用于解决该问题。 引入了一种新的二元 ABC，称为二元多邻域人工蜂群（BMNABC），以增强 ABC 阶段的探索和开发能力。 BMNABC 在第一和第二阶段应用具有新概率函数的近邻和远邻信息。 在第三阶段对那些在前几个阶段没有改进的解决方案进行了比标准 ABC 更有意识的搜索。 该算法可以与包装方法相结合以达到最佳效果。

现有过滤型特征选择算法并未考虑非线性数据的内在结构，从而分类准确率远远低于封装型算法，对此提出一种基于再生核希尔伯特空间映射的高维数据特征选择算法。首先基于分支定界法建立搜索树，并对其进行搜索；然后基于再生核希尔伯特空间映射分析非线性数据的内部结构；最后根据数据集的内部结构选择最优的距离计算方法。对比仿真实验结果表明，该方法与封装型特征选择算法具有接近的分类准确率，同时在计算效率上具有明显的优势，适用于大数据分析。

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征，分析了特征的优缺点。结合分类学习算法、仿真实验结果，对已有的主要特征选择和分析方法进行比对，为进一步研究特征提取、特征选择方法，提高垃圾图像分类器的性能和效率提供有价值的参考。

缺陷预测旨在通过从历史缺陷数据中学习来估计软件的可靠性。 缺陷预测方法根据从软件项目中提取的指标来识别软件模块是否容易出现缺陷。 这些度量值（也称为特征）可能涉及不相关和冗余，这将损害缺陷预测方法的性能。 现有工作采用特征选择来预处理缺陷数据以滤除无用的特征。 在本文中，我们提出了一种新颖的特征选择框架MICHAC，它是通过层次聚类聚类通过最大信息系数进行缺陷预测的简称。 MICHAC分为两个主要阶段。 首先，MICHAC利用最大信息系数对候选特征进行排序，以过滤掉不相关的特征；其次，MICHAC通过分层聚集聚类对特征进行分组，并从每个结果组中选择一个特征以去除冗余特征。 我们使用三个具有四个性能指标（精度，召回率，F量度和AUC）的不同分类器，对11个被广泛研究的NASA项目和四个开源AEEEM项目评估了我们提出的方法。 与五种现有方法的比较表明，MICHAC可有效选择缺陷预测中的特征。