特征选择是数据挖掘和机器学习领域中一种常用的数据预处理技术。在无监督学习环境下，定义了一种特征平均相关度的度量方法，并在此基础上提出了一种基于特征聚类的特征选择方法FSFC。该方法利用聚类算法在不同子空间中搜索簇群，使具有较强依赖关系（存在冗余性）的特征被划分到同一个簇群中，然后从每一个簇群中挑选具有代表性的子集共同构成特征子集，最终达到去除不相关特征和冗余特征的目的。在UCI数据集上的实验结果表明，FSFC方法与几种经典的有监督特征选择方法具有相当的特征约减效果和分类性能。

boruta_py, Boruta的python 实现所有相关特征选择方法 boruta_py项目主持了 python的 Boruta的所有相关特征选择方法。[Related blog post] ( http://danielhomola.com/2015/05/08/borutapy-an-all-rel

matlab MRMR和relieff特征选择方法.rar

混合互信息和粒子群算法的多目标特征选择方法_王金杰

Jx-WFST：包装特征选择工具箱 -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- ------------- * 该工具箱提供了 40 多种包装器特征选择方法 * 提供了如何在基准数据集上应用这些方法的示例 * 这个 Jx-WFST 工具箱的详细信息可以在https://github.com/JingweiToo/Wrapper-Feature-Selection-Toolbox找到

特征选择方法综述，介绍了特征选择算法分类等

模式识别方法首先要解决的一个问题就是特征选择,目前许多方法考虑了有监督学习的特征选择问题,对无监督学习的特征选择问题却涉及得很少。依据特征对分类结果的影响和特征之间相关性分析两个方面提出了一种基于K-均值聚类方法的特征选择算法,用于无监督学习的特征选择问题。

近红外光谱数据常用特征选择方法，包含CARS、PSO、SPA、VIP和UVE等代码，先前版本部分代码复制粘贴出错，再次更新。

特征选择是常用的预处理任务之一，其目的是减少智能算法和模型的输入量。这有助于简化模型，降低模型训练的计算成本，提高模型的泛化能力和防止过度训练。用于前馈人工神经网络（ANNs）训练的进化特征选择的MATLAB实现。

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.