这是我们为基于改进的二进制萤火虫算法 (BFFA) 进行特征选择而开发的 Matlab 工具箱，称为基于回报成本的二进制 FFA (Rc-BFA)。 该程序的详细信息可以在已提交给 INFORMATION SCIENCES 期刊的论文“A Return-Cost-based Binary Firefly Algorithm for Feature Selection”中找到。 在这个工具箱中，主函数被命名为“main”。 . 在此功能中，您可以通过更改“fly”的值来选择不同的数据集。

A Multi-indicator Feature Selection for CNN-Driven Stock Index Prediction

这是我们为基于BBPSO的特征选择而开发的Matlab工具箱，称为MIBBPSO。 该程序的详细信息可以在论文“Feature Selection Using Bare-Bones Particle Swarm Optimization with Mutual Information”中找到，该论文已提交给Pattern Recognition杂志。 在这个工具箱中，主函数被命名为“main”。

基于SVM进行特征选择。 利用了凸优化方法。

这个包是 (Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（minimum-redundancy maximum-relevancy）特征选择方法，它比传统的 top-ranking 方法更好的性能已经在许多最近出版物中的数据集。 该版本使用互信息作为计算变量（特征）之间相关性和冗余的代理。 其他变化，例如使用相关性或 F 检验或距离，也可以在此框架内轻松实现。 Hanchuan Peng、Fuhui Long 和 Chris Ding，“基于互信息的特征选择：最大依赖、最大相关和最小冗余的标准”， IEEE 模式分析和机器智能汇刊， 卷。 27, No. 8, pp.1226-1238, 2005. [PDF] Ding C. 和 Peng HC，“微阵列基因表达数据的最小冗余特征选择”，《生物信息学与计算生物学杂志》，

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

此工具箱提供均衡优化器 (EO) 方法 “主要”脚本说明了EO如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

matlab实验源代码 feature-selection 很简单的特征选择代码实现。会逐步追加不同的特征选择方法。 读取数据是用的libsvm中的libsvmream。数据下载地址： Data文件夹为试验用数据 matlab文件夹为libsvm安装包。里面是已经用mex安装过后的状态 MI文件夹是互信息量计算，源代码为C method为特征选择方法的文件夹，会陆续更新不同的特征选择方法。 方法：mRMR，reliefF，SVM_REF 这个项目鸽了，没意思

In supervised learning scenarios, feature selection has been studied widely in the literature. Selecting features in unsupervised learning scenarios is a much harder problem, due to the absence of class labels that would guide the search for relevant information. And, almost all of previous unsuperv

部分数据图库，在不同光照下的对比图都有，对于图像处理中检测光线对于图像检测的作用挺适用