matlab中存档算法代码GCMBO燃料电池 使用Fisher准则和Monarch蝴蝶优化进行特征选择 秦晓东＆刘夏碧2018年12月15日 电子邮件： 该zip归档文件中的文件是MATLAB m文件，可用于研究GCMBO-FC算法。 可在以下网站找到MATLAB代码： 笔记： 除了每个总体成员中变量数的参数设置外，我不做任何努力来重写GCMBO算法。 在实现我们的方法时使用MATLAB R2018b。 MATLAB文件及其描述如下： Fitness.m：基于Fisher准则的适应度函数。 FisherScore.m：用于计算整个要素子集的Fisher分数的函数。 GCMBO_FC.m：基于Fisher准则和GCMBO的特征选择框架。 demo.m：有关如何使用GCMBO-FC功能选择框架的演示。 我希望这个软件对您和我一样有趣和有用。 如有任何意见或问题，请随时与我联系。

一种称为变量迭代空间收缩方法 (VISSA) 的变量选择方法。 参考资料：邓登峰，尹玉华，梁玉中，易建中，一种使用加权二进制矩阵抽样迭代优化变量空间的新颖变量选择方法，《分析》，第139期，2014年，第4836-4845页。

Lasso方法与其他特征选择一样,对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟合)。为解决此问题,提出一种改进的Lasso方法:迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份,对第一份特征子集进行特征提取,将所得特征加入第二份,再对第二份特征进行特征提取;然后将所得特征加入第三份,依次迭代下去,直到第K份,得到最终特征子集。实验表明,迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法。目前,此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。

一种有效的基于随机青蛙的波长区间选择方法用于多元光谱校准。 考虑到振动和旋转光谱具有连续的谱带特征，我们提出了一种基于随机青蛙的波长区间选择方法，称为区间随机青蛙（iRF）。 为了获得所有可能的连续区间，首先对光谱进行划分通过在整个光谱上移动固定宽度的窗口进入间隔。这些重叠的间隔使用随机青蛙耦合和 PLS 进行排序，并选择最佳的间隔。该方法已应用于两个近红外光谱数据集，在波长间隔选择方面显示出更高的效率其他。

针对模式识别时原始特征数量大而有冗余的现象，提出了一种基于遗传退火算法的特征选优方法，首先对遗传算法和模拟退火做了简要评论，然后在遗传算法中引入模拟退火的 Boltzmann 更新机制，以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题，最后阐述、设计了适应度函数和遗传算子。仿真实验表明，该方法在求解的效率和解的质量方面都达到了令人满意的效果。

Jx-FFST：过滤器特征选择工具箱 -------------------------------------------------- -------------------------------------------------- -------------------------------------------------- ------------- * 此工具箱包含 4 种过滤器特征选择方法 * 显示了如何在基准数据集上使用这些过滤器功能选择的示例 * 这个 Jx-WFST 工具箱的详细信息可以在https://github.com/JingweiToo/Filter-Feature-Selection-Toolbox找到

描述： 用于以下基于MI的特征选择方法的代码（Matlab / C ++ Mex）： - 最大相关性 (maxRel) - 最小冗余最大相关性（MRMR） - 最小冗余 (minRed) - 二次编程特征选择 (QPFS) - 互信息商（MIQ） - 最大相关最小总冗余 (MRMTR) 或扩展 MRMR (EMRMR) - 光谱松弛全局条件互信息 (SPEC_CMI) - 条件互信息最小化 (CMIM) - 条件 Infomax 特征提取 (CIFE) 参考： [1] Nguyen X. Vinh、Jeffrey Chan、Simone Romano 和 James Bailey，“基于互信息的特征选择的有效全局方法”。 2014 年 8 月 24 日至 27 日在纽约市举行的第 20 届 ACM SIGKDD 知识发现和数据挖掘会议 (KDD'14) 上发表。

boruta_py 该项目托管了Python实现。 如何安装 用pip安装： pip install Boruta 或使用conda ： conda install -c conda-forge boruta_py 依存关系 麻木 科学的 scikit学习 如何使用 下载，导入并使用其他任何scikit-learn方法进行操作： 适合（X，y） 变换（X） fit_transform（X，y） 描述 Boruta R包的Python实现。 此实现尝试模仿scikit-learn接口，因此请使用fit，transform或fit_transform来运行功能选择。 有关更多信息，请参见这些功能的文档以及下面的示例。 原始代码和方法，作者：Miron B. Kursa， ：//notabug.org/mbq/Boruta/wiki/FAQ Boruta是所有相关的特征选择方

基于最大信息系数和Gram-Schmidt正交化的生物医学数据过滤特征选择方法

Lasso方法与其他特征选择一样，对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题（过拟合）。为解决此问题，提出一种改进的Lasso方法：迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份，对第一份特征子集进行特征提取，将所得特征加入第二份，再对第二份特征进行特征提取；然后将所得特征加入第三份，依次迭代下去，直到第K份，得到最终特征子集。实验表明，迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择，是一种有效的特征选择方法。目前，此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。