光谱特征波段的筛选，选择光谱数据中具有代表性的变量用以建立定量预测模型

利用随机森林评估特征重要性应用——以UCI葡萄酒为例，可扩展到故障诊断和状态评估领域 # 利用随机森林评估特征的重要性 #筛选出重要性比较高的变量 其中特征评估和变量筛选一直是故障诊断和状态评估领域的一个热门， 随机森林是以决策树为基学习器的集成学习算法，可作为特征变量筛选的重要方法之一，其优良的特性仍然能对故障诊断和状态评估领域的研究提供巨大的帮助， 具有广阔的发展前景。

VMD三维分解图+皮尔逊相关系数标准差阈值筛选特征MATLAB程序，以VMD的K=5分解后的数据为例，绘制出分解后的信号的三维图，之后采用皮尔逊相关系数标准差阈值法筛选出所需特征，若相关系数大于阈值则判断为有效信号，否则为噪声信号。 相关系数介绍 相关系数是变量间相关程度的度量，取值范围介于-1到1之间。正值表示正相关，即变量变化方向是一致的，比如Y随着X的变大而变大；负值表示负相关，变量的变化方向相反，比如Y随着X的变大而变小。绝对值越接近1，表示两个变量之间关系越密切；越接近0，表示两个变量之间关系越不密切。相关系数对应的相关强度如下： 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相关或无相关 相关系数也称为线性相关系数，这是因为，相关系数并不是刻画了X，Y之间一般关系的程度，而只是线性关系的程度。当相关系数为1或-1时，两者有严格的线性关系；当相关系数为0时，则称X与Y不相关。不相关是指X和Y之间没有线性关系，但X与Y之间可能有其他的函数关系，比如平方关系，对数关系(可以通过查看散点图来确定这一点)

人工智能期末大作业一个基于特征构造的两步特征筛选算法源码，内附课程报告pdf。 高分必看。 实验结果 4.1 实验数据集与结果测试 数据集为分别经过本算法（GBDT 调优版）、本算法（GBDT 未调优版）、未 经过特征筛选、经过常见特征筛选方法将其特征数量处理到与本算法相似的 heart.csv,LSVT.csv,arcene.csv 数据集，数据集特征数量如表（6）所示。

自己写的程序，可以直接对excel文件求相关系数，并绘制相关系数图。 并可以通过设置阈值来筛选出特征，并把最终的的特征写入到文件中。 只需要更改一下文件名就可以使用！

2020华为杯研究生数学建模大赛的B题，辛烷值建模，需要先对众多变量进行特征筛选，再进行变量和输出之间的对应关系。所以可以用随机森林来进行变量的特征筛选。这个是py文件。

包含5大类特征筛选方法，12小类特征筛选方法的原理以及python实现代码。

该代码是最小冗余最大相关性（mRMR）代码，里面也包含了数据和案例，很容易跑通代码。