自己编的特征选择程序，分别包括用顺序前进法(SFS),顺序后退法(SBS),增l 减r 法(l–r)、SFFS法进行选择的程序feature_selection

GMS：基于网格的运动统计信息，可实现快速，超鲁棒的功能对应 Bian等人C ++实现。 基于网格的运动统计是一种通过运动平滑封装来改善特征匹配质量的方法。 基于ORB特征匹配，平滑度约束表示为每个单元格匹配频率的统计似然性。 结果显示了实时和非常强大的功能对应。 ORB特征点（2000） GMS之后 ORB特征点（2000） GMS之后 跑步 此实现需要 mkdir build && make ./GMS

房屋价格预测 艾姆斯住房数据集摘自kaggle竞赛。 该项目的目的是预测Boston Housing Dataset中房屋的房价。 提供了两个文件，即训练和测试，并且要估计测试数据的价格。 在这里，我已使用XGBoost进行预测。 感谢Krish Naik制作了这些精彩的视频，以帮助他们理解和实施房价预测。 稍后，我将添加探索性数据分析，并将XGBoost模型的结果与其他回归技术进行比较。 房价预测步骤 加载数据中 数据探索2.1具有空值的特征2.2数值特征 2.2.1 Year Features 2.2.2 Discrete Features 2.2.3 Continous Features 2.3分类特征 数据清理 数据转换4.1稀有分类特征处理 基本模型性能（XGBoost） 超参数调整 最终模型 可视化结果 1.加载数据 df = pd . read_csv

In this paper, we address antenna selection (AS)-aided massive multi-user multiple-input-multiple-output (MU-MIMO).system based on maximum signal-to-noise ratio, where imperfect channel state information (CSI), time-varying channel and.antenna spatial correlation are considered. More explicitly, a computationally simple training-based channel estimator (CE) is.firstly employed for obtaining the imperfect down-link CSI. Channel quantization (CQ) is subsequently introduced by the feedback.link whi

SGX-Full-OrderBook-Tick-Data-Trading-Strategy：使用数据科学方法（机器学习）在完整的订单簿记号数据上提供高频交易（HFT）策略的解决方案

(Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（最小冗余最大相关）特征选择方法的两个源代码文件，其优于传统顶级方法的性能已在最近出版物中的数据集数量。 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。 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》， 卷。 3, No. 2, pp.185-205, 2005。 Ding，C 和 Peng

这项实证研究旨在确定影响巴基斯坦学生职业选择的不同因素。 选择五个领先的专业，即商业和管理科学、医学、药学、工程和农业来确定因素。 使用封闭式李克特量表问卷对来自上述背景的 523 名学生样本进行了调查。 使用结构方程模型和验证性因素分析技术分析数据。 Smart PLS 软件用于分析。 结果表明，个人兴趣、自尊和社会影响力是显着影响商业和管理职业选择的主要因素。 对于医学专业，自我效能和自尊发现有积极的影响。 对于药学专业来说，成长机会、心理因素、自我效能感和自尊心都有显着的影响。 对于工程专业心理因素，自我效能感和社会影响力均呈正向影响。 对于农业专业，自尊、心理因素和成长机会均显示出良好的效果。 调查结果将为决策者和招聘人员提供有价值的信息，让他们牢记影响学生从事这些职业时的因素。

FeatureSelectionGA 使用遗传算法（DEAP框架）进行特征选择 数据科学家发现，很难选择合适的功能来获得最大的准确性，尤其是当您要处理很多功能时。 有多种选择正确功能的方法。 但是，如果特征空间真的很大，我们将不得不为之奋斗。 遗传算法是一种从其他特征中搜索最佳特征集之一以获得高精度的解决方案。 安装： $ pip install feature-selection-ga 说明文件： 用法： from sklearn . datasets import make_classification from sklearn import linear_model from feature_selection_ga import FeatureSelectionGA , FitnessFunction X , y = make_classification ( n_samp

该工具箱提供了蚁群系统（ACS）方法 举例说明了 ACS 如何使用基准数据集解决特征选择问题。 ****************************************************** ****************************************************** **********************************

2016年4月12日星期三，科比·布莱恩特在洛杉矶湖人队的最后一场比赛中砍下60分，标志着他从NBA退役。科比在17岁时入选NBA，这是他整个职业生涯中最高的荣誉。 用关于科比20年来投篮和失球的数据，你能预测哪些投篮会落在网底吗?这个比赛非常适合练习分类基础知识、特征工程和时间序列分析。训练让科比得到了一份8位数的合同和5枚总冠军戒指。 Kobe Bryant Shot Selection_datasets.txt