Matlab实现基于MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测 Matlab实现基于MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测（Matlab完整程序和数据） 1.最大互信息系数MIC(数据特征选择算法)的分类预测，MIC特征选择分类预测，多输入单输出模型。 2.多特征输入模型，直接替换数据就可以用。 3.语言为matlab。分类效果图，混淆矩阵图。 4.分类效果图，混淆矩阵图。 5.MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测。 运行环境matlab2018及以上。 经过特征选择后，保留9个特征的序号为： 1 3 5 7 8 9 10 11 12

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

遗传算法 (GA) 和布谷鸟搜索优化 (CSO) 的组合，用于分类精度最大化中的特征选择。 我没有使用 Levy 飞行，而是使用 GA 品种和变异进行布谷鸟更新。 我在代码中使用了朴素贝叶斯分类，但您可以将其替换为任何其他分类器。

对当前学习任务有价值的属性称为是“相关特征”，没有价值的属性称为是“无关特征”，从给定的特征集中选择出相关特征子集的过程，就称为是“特征选择”。其中还有一种特征称为是“冗余特征”，这些特征指的是可以从其他特征中推演出来的特征。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

二进制粒子群优化算法主代码， 其中bpso_project函数为特征子集评价函数， 对接自己的数据集与评价函数即可使用。

针对神经性疾病难以确诊的问题，提出了一种基于图的特征选择方法，过滤掉不相干的特征，从而方便并且准确地对疾病患者进行诊断。算法首先基于先验知识定义了两种基本关系（特征关系和样本关系）；然后将这两种关系嵌入到一个由最小二次损失函数和l2 -范数正则化因子组成的多任务学习框架中进行特征选择；最后，将约简得到的降维矩阵送入支持向量机（SVM）中对阿兹海默症患者进行确诊。通过对Alzheimer’s disease neuroimaging initiative（ANDI）的研究数据集进行实验得知，提出算法的分类效果均优于一般常用分类算法，如K最近邻法（KNN）、支持向量机（SVM）等。提出的算法通过考虑特征选择和引入两种数据的内在关系，有效提高了阿兹海默疾病诊断的正确率。

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

此工具箱提供二进制原子搜索优化 (BASO) < Main> 举例说明了 BASO 如何使用基准数据集解决特征选择问题。 ****************************************************** ****************************************************** **********************************

特征选择+分类