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

线性时间选择算法的C++实现 g++下编译通过

经典的RBFNN训练算法，主要是前向选择和后向选择，分别针对两种神经网络构造方法

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

在过去的几十年中，特征选择已经在机器学习和人工智能领域发挥着重要作用。许多特征选择算法都存在着选择一些冗余和不相关特征的现象，这是因为它们过分夸大某些特征重要性。同时，过多的特征会减慢机器学习的速度，并导致分类过渡拟合。因此，提出新的基于前向搜索的非线性特征选择算法，该算法使用互信息和交互信息的理论，寻找与多分类标签相关的最优子集，并降低计算复杂度。在UCI中9个数据集和4个不同的分类器对比实验中表明，该算法均优于原始特征集和其他特征选择算法选择出的特征集。

请参阅 Urbanowicz RJ、Meeker M、La Cava W 等人。 基于浮雕的特征选择：介绍与回顾[J]. 杂志生物医学信息学, 2018, 85: 189-203。 算法 1。 修改：将随机选择的目标实例 R_i 简化为数据集中的顺序样本。 因此，到最近命中的距离始终为 0。

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率，同时还要尽可能地减少冗余特征。因此，为了在分类问题中更好地进行特征选择，提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升（XGBoost）算法中构建树的思想过程，通过从3个重要性度量的角度来衡量特征的重要性，避免单一重要性度量的局限性；然后通过改进的序列浮动前向搜索策略（ISFFS）搜索特征子集，使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明，所提算法具有很好的性能。

人工免疫算法 matlab代码

对于 3-D 最小化问题您应该针对多维 (ND) 问题调整代码。 代码使用匿名函数进行优化。 一些测试功能是为测试提供的。 参考： de Castro、LN 和 Von Zuben，FJ 使用克隆选择原则进行学习和优化。 IEEE 进化计算汇刊。 第 6(3) 条。 2002. DOI: 10.1109/TEVC.2002.1011539

matlab 官网下载。