在实际情况中，分类中使用的许多特征选择方法都直接应用于排序 我们认为，由于排名和分类之间的显著差异，最好开发不同的特征选择方法进行排名。 本文提出了一种新的特征选择方法

An empirical Bayes approach to efficient portfolio selection.pdfAn empirical Bayes approach to efficient portfolio selection.pdf

pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

最新2019年恩智浦硬件供应商官方MCU选型所册，详细罗列了单片机、ARM架构，普通应用到汽车级应用芯片详细信息。

Performance Evaluation of Relay Selection Schemesin Beacon-Assisted Dual-hop Cognitive RadioWireless Sensor Networks under Impact of HardwareNoises

该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

DESlib DESlib是一个易于使用的集合学习库，致力于实现动态分类器和集合选择的最新技术。 该库基于 ，并使用相同的方法签名： fit ， predict ， predict_proba和score 。 所有动态选择技术都是根据的定义实施的。 动态选择： 动态选择（DS）是指根据要分类的每个新样本在测试时动态选择基本分类器的技术。 仅选择最胜任的分类器或最胜任的分类器来预测特定测试样品的标签。 这些技术的基本原理是，不是池中的每个分类器都是对所有未知样本进行分类的专家，而是每个基本分类器都是在特征空间的不同局部区域中的专家。 DS是最有前途的MCS方法（多重分类器系统）之一，原因是越来越多的实证研究表明其性能优于静态组合方法。 这样的技术已经实现了更好的分类性能，尤其是在处理小型且不平衡的数据集时。 安装： 可以使用pip安装该软件包： 稳定版： pip install

Model selection and estimation in regression with grouped variables

俄罗斯新闻集群标题选择的变形金刚_Transformers for Headline Selection for Russian News Clusters.pdf