机器学习深度学习+特征选择+Feature Selection
2022-10-17 17:07:59 4.37MB python 深度学习
1
一种新的基于特征选择的图同构算法在网络模体发现中的应用,呼加璐,孙玲,模体是在真实网络中出现频率明显高于随机网络中出现频率的子图。模体查找需要对出现的子图计数,因此引发了子图同构的问题。但是
2022-09-24 15:11:01 327KB Graph Isomorphism
1
ITMO_FS Python中的功能选择库 套餐信息: 与安装 pip install ITMO_FS 当前可用的算法: 筛选器 包装纸 杂交种 嵌入式的 合奏 斯皮尔曼相关 添加删除 过滤器包装 莫斯 锂离子电池 皮尔逊相关 向后选择 苔藓 最好先 适合标准 顺序正向选择 RFE 最好的总和 F比 合格证 基尼指数 爬山 信息增益 最小冗余最大相关性 VDM 合格证 美格玛 说明文件:
2022-09-07 00:18:55 196KB machine-learning feature-selection Python
1
用于特征选择任务的简单二元粒子群优化(BPSO),可以选择潜在特征以提高分类精度。
演示了一个示例,该示例说明了如何使用具有分类错误率的BPSO(由KNN计算)作为使用基准数据集进行特征选择问题的适应度函数。 ****************************************************** ****************************************************** **********************************
2022-05-15 11:35:47 121KB matlab
1
蚁群算法matlab源码Jx-WFST:包装功能选择工具箱 “迈向人才科学家:共享和学习” --- 介绍 该工具箱提供了40多种包装功能选择方法 A_Main文件提供了有关如何在基准数据集上应用这些方法的示例 这些方法的源代码是基于伪代码和书面文件编写的 该工具箱的主要目标是: 包装器功能选择方面的知识共享 协助其他人进行数据挖掘项目 用法 采用主要功能jfs进行特征选择。 您可以通过将'pso'更改为 如果您希望使用粒子群优化(请参见示例1),则可以编写 FS = jfs('pso',feat,label,opts); 如果要使用粘液模制算法(请参见示例2),则可以编写 FS = jfs('sma',feat,label,opts); 输入 feat :特征向量矩阵(实例x Feature) label :标签矩阵(实例x 1) opts :参数设置 N :解决方案数量/人口规模(所有方法) T :最大迭代次数(对于所有方法) k :K -值在K -nearest邻居 输出 Acc :验证模型的准确性 FS :特征选择模型(包含多个结果) sf :所选sf索引 ff :所选功能 nf
2022-05-11 09:52:17 129KB 系统开源
1
GA_for_Feature_Selection 使用遗传算法结合决策树做特征选择 Using genetic algorithm for feature selection with decision tree 原始遗传算法参考 import numpy as np import pandas as pd import random data_train = pd.read_csv('\data_train.csv') data_test = pd.read_csv('\data_test.csv') #合并训练集测试集 data = data_train.append(data_test).drop(['id'], axis=1) feature_names = data.columns pop_size = 20 # 种群数量 max_value = 10 #
2022-04-18 23:00:27 2KB
1
在实际情况中,分类中使用的许多特征选择方法都直接应用于排序 我们认为,由于排名和分类之间的显著差异,最好开发不同的特征选择方法进行排名。 本文提出了一种新的特征选择方法
2022-04-07 09:08:26 824KB 特征选择 算法
pyHSICLasso pyHSICLasso是希尔伯特·施密特(Hilbert Schmidt)独立标准套索(HSIC Lasso)的软件包,这是一种考虑了非线性输入和输出关系的黑匣子(非线性)特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性(mRMR)特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它,您可以补充非线性输入和输出的依赖性,并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中,例如从微阵列数据中选择基因,文档分类和假体控制,在高维监督学习中寻找功能的子集是一个重要的问题。 安装
1
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
1
该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************
2022-02-28 19:26:14 121KB matlab
1