蚁群算法matlab源码Jx-WFST：包装功能选择工具箱 “迈向人才科学家：共享和学习” --- 介绍 该工具箱提供了40多种包装功能选择方法 A_Main文件提供了有关如何在基准数据集上应用这些方法的示例 这些方法的源代码是基于伪代码和书面文件编写的 该工具箱的主要目标是： 包装器功能选择方面的知识共享 协助其他人进行数据挖掘项目 用法 采用主要功能jfs进行特征选择。 您可以通过将'pso'更改为 如果您希望使用粒子群优化（请参见示例1），则可以编写 FS = jfs('pso',feat,label,opts); 如果要使用粘液模制算法（请参见示例2），则可以编写 FS = jfs('sma',feat,label,opts); 输入 feat ：特征向量矩阵（实例x Feature） label ：标签矩阵（实例x 1） opts ：参数设置 N ：解决方案数量/人口规模（所有方法） T ：最大迭代次数（对于所有方法） k ：K -值在K -nearest邻居 输出 Acc ：验证模型的准确性 FS ：特征选择模型（包含多个结果） sf ：所选sf索引 ff ：所选功能 nf

python实现特征提取深度学习，最详细的代码讲解，欢迎大家多多交流。

cv2.error: OpenCV(3.4.3) C:\projects\opencv-python\opencv_contrib\modules\xfeatures2d\src\sift.cpp:1207: error: (-213:The function/feature is not implemented) This algorithm is patented and is excluded in this configuration; SetOPENCV_ENABLE_NONFREE CMake option and rebuild the library in function'cv::xfeatures2d::SIFT::create' 通过pip安装opencv-contrib-python后，运行出现上述问题，版本过高导致，可通过官网下载3.3( https://pypi.org/project/opencv-contrib-python/3.3.0.9/#files)，也可下载该资源。

hog svm matlab代码面部特征提取与情感分析 使用 SVM 和 HOG 进行面部特征提取和情感分析 一个项目是作为我本科学位的完成而完成的，其中包含所有代码文件，包括主成分分析、定向梯度直方图、支持向量机。 该项目包括机器学习中最优秀的技术，原型是在 MATLAB 中完成的。 计划使用 OpenCV 将其扩展到 Python

ICCV2015 tutorial convolutional feature maps Kaiming He ICCV 2015 CNN 卷积神经网络 目标检测 教程 何凯明

EMG Feature Extraction Toolbox.zip，这是一份不错的文件

sklearn-feature-engineering 前言 博主最近参加了几个kaggle比赛，发现做特征工程是其中很重要的一部分，而sklearn是做特征工程（做模型调算法）最常用也是最好用的工具没有之一，因此将自己的一些经验做一个总结分享给大家，希望对大家有所帮助。大家也可以到我的博客上看 有这么一句话在业界广泛流传，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。 特征工程主要分为三部分： 数据预处理 对应的sklearn包： 特征选择 对应的sklearn包： 降维 对应的sklearn包： 本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明，首先导入IRIS数据集的代码如下： 1 from sklearn.datasets

人脸特征提取 这是一个CNN，可从kaggle数据集中获取96 * 96图像，并预测15个界标点： [left_eye_center_x] [left_eye_center_y] [right_eye_center_x] [right_eye_center_y] [left_eye_inner_corner_x] [left_eye_inner_corner_y] [left_eye_outer_corner_x] [left_eye_outer_corner_y] [right_eye_inner_corner_x] [right_eye_inner_corner_y] [right_eye_outer_corner_x] [right_eye_outer_corner_y] [left_eyebrow_inner_end_x] [left_eyebrow_i

GA_for_Feature_Selection 使用遗传算法结合决策树做特征选择 Using genetic algorithm for feature selection with decision tree 原始遗传算法参考 import numpy as np import pandas as pd import random data_train = pd.read_csv('\data_train.csv') data_test = pd.read_csv('\data_test.csv') #合并训练集测试集 data = data_train.append(data_test).drop(['id'], axis=1) feature_names = data.columns pop_size = 20 # 种群数量 max_value = 10 #

matlab羽化代码GIST-特征提取器 这个存储库是用 Python 重新实现本文中实现的 Matlab 代码。 本库中可以使用的图像仍然只是灰度图像。 (宽 × 高 × 1) 先决条件 需要安装以下库 Python 3.6 麻木 枕头 用法 一、安装 $ git clone https://github.com/imoken1122/GIST-feature-extractor.git 2. 使用 GIST 特征提取器 如有必要，更改这些参数。 param = { "orientationsPerScale" : np . array ([ 8 , 8 ]), "numberBlocks" :[ 10 , 10 ], "fc_prefilt" : 10 , "boundaryExtension" : 10 } 指定图像名称或包含多个图像的文件夹路径和保存提取的要点特征的输出路径作为选项（输出文件的扩展名是“.feather” ） --input_path --output_path 让我们提取 GIST 特征！ 下面是一个例子。 $