最大相关和最小冗余算法mRMR特征选择，mRMR分类预测，多变量输入模型。 在特征选择过程中，有一种算法叫做mRMR（Max-Relevance and Min-Redundancy）。其原理非常简单，就是在原始特征集合中找到与最终输出结果相关性最大（Max-Relevance），但是特征彼此之间相关性最小的一组特征（Min-Redundancy）。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图

特征选择+分类

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。

(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

基于最大依赖和最小冗余的多标签特征选择

常见的一种特征筛选手段，可以从大量变量中筛选特征变量实现保留变量与目标之间的最大相关性，而彼此间的重复信息最小

这个包是 (Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（minimum-redundancy maximum-relevancy）特征选择方法，它比传统的 top-ranking 方法更好的性能已经在许多最近出版物中的数据集。 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. [PDF] 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》，

由c语言实现的最大相关最下冗余的特征选择算法源码部分。

MRMR(最小冗余最大相关）算法以及可执行文件，欢迎下载！！！