机器学习特征选择方法综述

在机器学习中，特征选择是对模型结果的优化和对特征的分析，无论是做机器学习分类或者回归模型，都可适用；在这里我使用（python）遗传算法对特征进行分析，然后选取最优特征建立机器学习回归模型。

针对大数据信号处理时的特征选择与特征降维，给出了4种有效的特诊选择方法

针对大数据信号处理时的特征选择与特征降维，给出了4种有效的特诊选择方法

针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。

二元粒子群优化（BPSO）用于特征选择任务，可以选择潜在特征，提高分类精度。

特征提取，随机森林实现特征重要性排序，用python实现

自适应重加权波近红外光谱段选择的PYTHON代码

研究生期间发表的二作论文《基于自适应图学习的半监督特征选择》

使用ReliefF算法实现特征排序，进行特征选择，上传数据集为UCI乳腺癌数据。