机器学习特征选择方法综述

摘 要 短时强降水是气象上的常见灾害性天气，准确认识短时强降水的发生规律和科学有效地预报是防灾减灾的关键问题。利用江苏省13个气象观测站历史上短时强降水观测资料，用遗传算法进行特征选择，选定影响短时强降水的对流抑制能、对流有效势能、高空水汽通量场等19个特征为主要因素，将是否短时强降水抽象成二元分类问题。借助机器学习中CART决策树算法进行分类分析，构建便于预报员使用的短时强降水预报规则集。实验部分，随机选择3000条样本进行训练模型，得到适合江苏地区的短时强降水规则集，用剩余的838条数据进行检验，模型的短时强降水预报准确率为88.26%，非强降雨预报准确率为96.81%，较特征选择之前分别提升4.75%和0.70%。

大数据-算法-面向不均衡数据和情感词典构建的特征选择方法研究.pdf

包含各种特征选择方法如：%MIFS %mRMR %CMIM %JMI %DISR CIFE %ICAP %CondRed %BetaGamma %CMI

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab MRMR和relieff特征选择方法 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

机器学习中常用的特征选择方法详解.docx

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

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。

Lasso方法与其他特征选择一样,对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟合)。为解决此问题,提出一种改进的Lasso方法:迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份,对第一份特征子集进行特征提取,将所得特征加入第二份,再对第二份特征进行特征提取;然后将所得特征加入第三份,依次迭代下去,直到第K份,得到最终特征子集。实验表明,迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法。目前,此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。

针对模式识别时原始特征数量大而有冗余的现象，提出了一种基于遗传退火算法的特征选优方法，首先对遗传算法和模拟退火做了简要评论，然后在遗传算法中引入模拟退火的 Boltzmann 更新机制，以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题，最后阐述、设计了适应度函数和遗传算子。仿真实验表明，该方法在求解的效率和解的质量方面都达到了令人满意的效果。