提出了一种基于随机森林的封装式特征选择算法RFFS，以随机森林算法为基本工具，以分类精度作为准则函数，采用序列后向选择和广义序列后向选择方法进行特征选择。在 UCI数据集上的对比实验结果表明，RFFS算法在分类性能和特征子集选择两方面具有较好的性能。
2021-10-12 21:14:39
330KB
1
这是我们为基于BBPSO的特征选择而开发的Matlab工具箱，称为MIBBPSO。 该程序的详细信息可以在论文“Feature Selection Using Bare-Bones Particle Swarm Optimization with Mutual Information”中找到，该论文已提交给Pattern Recognition杂志。 在这个工具箱中，主函数被命名为“main”。
2021-10-12 21:13:37
11KB
1
正向逐步模型选择算法：变量按顺序添加到活动变量集中。 该过程不涉及任何潜在协变量的统计显着性检验； 相反，它会根据变量进入活动集时的顺序生成一个排名。
该函数可以提供大小为 (K+1)xN（N 个观测值、K 个预测变量、一个解释变量）的数据集。
2021-09-30 10:20:01
3KB
1
针对不平衡数据中特征维数高、标记样本缺乏问题,提出一种基于遗传算法和BiasedSVM的不平衡数据半监督特征选择算法。该方法首先利用初始的标记样本集训练处理不平衡数据的Biased-SVM模型,然后用训练好的Biased-SVM模型为未标记样本加上标签,再把新标记样本加入到初始标记样本集中,得到新标记样本集,最后采用基于遗传算法的不平衡数据特征选择方法选出最优的特征子集。实验结果表明,所提方法在不同的标记样本率下均具有较高的平均特征子集缩减率和平均小类识别率。
2021-09-09 12:25:13
291KB
1