机器学习深度学习+特征选择+Feature Selection

FCBF is a fast correlation-based filter algorithm designed for high-dimensional data and has been shown effective in removing both irrelevant features and redundant features.

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.

面向高维小样本数据的分类特征选择算法研究.pdf

利用最大最小爬山算法构建肺癌患者的预后模型,指导肺癌预后评价。以SEER(surveillance, epidemiology, and end results)数据库中2008年至2014年期间被确诊为肺癌的患者组成数据集,首先利用卡方检验、Logistic回归分析方法对数据集中的变量进行特征选择;然后,在训练集上利用最大最小爬山算法建立肺癌患者的预后模型,并在测试集上对患者进行5年后生存情况预测;最后,选择Logistic回归、人工神经网络、决策树、支持向量机方法和本研究模型在测试集上进行分类实验对比。最终结果显示本研究模型对肺癌患者5年后生存情况的预测准确率高于其他方法。

特征选择的二元差分进化 介绍 此工具箱提供二元差分进化 (BDE) 方法 该Main文件说明了 BDE 如何使用基准数据集解决特征选择问题的示例。 输入 feat ：特征向量（实例x特征） label ：标签向量（实例x 1） N : 解决方案的数量 max_Iter: 最大迭代次数 CR : 交叉率 更多详情、使用方法，请下载后阅读README.md文件

针对微阵列基因表达数据高维小样本、高冗余且高噪声的问题，提出一种基于FCBF特征选择和集成优化学习的分类算法FICS-EKELM。首先使用快速关联过滤方法FCBF滤除部分不相关特征和噪声，找出与类别相关性较高的特征集合；其次，运用抽样技术生成多个样本子集，在每个训练子集上利用改进乌鸦搜索算法同步实现最优特征子集选择和核极限学习机KELM分类器参数优化；然后基于基分类器构建集成分类模型对目标数据进行分类识别；此外运用多核平台多线程并行方式进一步提高算法计算效率。在六组基因数据集上的实验结果表明，该算法不仅能用较少特征基因达到较优的分类效果，并且分类结果显著高于已有和相似方法，是一种有效的高维数据分类方法。

具体资源介绍可以看我的博客： 算法笔记（19）自动特征选择及Python代码实现 https://blog.csdn.net/li1873997/article/details/124993371?spm=1001.2014.3001.5502

全国国赛美赛研究生华为杯数学建模竞赛练习使用 使用Python读取数据文件，进行预处理，然后建立模型，对模型进行优化调参，选择最佳的参数，使用Python筛选特征。对以上步骤分别进行可视化。使用多种评价指标评价分类模型。