特征提取的基本概念； 常见特征提取方法 ；特征选择的基本概念

matlab开发-同时特征选择和权重解决方案多目标优化方法。一种增强分类器性能的特征选择和加权算法。

该程序用于特征选择，说明详细，思路简单易懂，方法较简单，适用于初学者。

特征选择是提高文本分类性能的一个重要手段。论文首先定义了两种特征贡献度：一个是特征对类间文档分散程度的贡献度,该贡献度越大越好;另一种是特征对类内文档分散程度的贡献度,该贡献度越小越好。然后把这两种特征贡献度有机地结合起来设计了一个新的特征选择方法,该方法能够对所选特征进行综合考虑,从而使获得的特征集具有较好的代表性。仿真实验表明:所提特征选择方法在一定程度上能够提高文本分类性能。

模式识别之特征选择与提取，本文的主要思想是探讨模式识别中的特征选择与提取的问题。

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

用sklearn进行特征选择的一些知识整理, 主要包括如何对数据进行归一化，标准化， 对定性数据怎么描述，如何降维，如何进行特征选择，这些其实sklearn包中都封装好了相关的函数，使用的时候，可以直接来用，所以也是一份随时可以查阅的资料。

支持向量机是一种在统计学习理论的基础上发展而来的机器学习方法[1]，通过学习类别之间分界面附近的精确信息,可以自动寻找那些对分类有较好区分能力的支持向量,由此构造出的分类器可以使类与类之间的间隔最大化,因而有较好的泛化性能和较高的分类准确率。由于支持向量机具有小样本、非线性、高维数、避免局部最小点以及过学习现象等优点，所以被广泛运用于故障诊断、图像识别、回归预测等领域。

互联网已经成为现代生活中不可或缺的一部分，网络上的信息量也在以数倍的速度快速增长。无论是企事业单位，学校，或者科研院校等等机构中，都积累了非常多的资料，这些资料绝大多数都以文档的形式存在。所以，如何将数以万计且排序混乱的文本信息，按照一定的规则和形式进行统一的管理，以达到方便使用和管理的目的成为了一个不得不去解决的问题。本文就是在SVM，即支持向量机方法的基础上，设计了一个中文文本分类系统。介绍了系统的需求分析，并对系统进行了详细设计，从概念的初始化设计到之后的详细设计，实现了基于SVM的中文文本分类系统的最终目的，达到了设计要求。

matlab中存档算法代码GCMBO燃料电池 使用Fisher准则和Monarch蝴蝶优化进行特征选择 秦晓东＆刘夏碧2018年12月15日 电子邮件： 该zip归档文件中的文件是MATLAB m文件，可用于研究GCMBO-FC算法。 可在以下网站找到MATLAB代码： 笔记： 除了每个总体成员中变量数的参数设置外，我不做任何努力来重写GCMBO算法。 在实现我们的方法时使用MATLAB R2018b。 MATLAB文件及其描述如下： Fitness.m：基于Fisher准则的适应度函数。 FisherScore.m：用于计算整个要素子集的Fisher分数的函数。 GCMBO_FC.m：基于Fisher准则和GCMBO的特征选择框架。 demo.m：有关如何使用GCMBO-FC功能选择框架的演示。 我希望这个软件对您和我一样有趣和有用。 如有任何意见或问题，请随时与我联系。