基于特征构造的两步特征筛选算法的人工智能大作业源码+课程报告

简介：
本项目旨在实现一种新颖的两步特征筛选算法，利用Python编程进行人工智能课程的大作业开发。通过精选特征和优化模型性能，提供完整代码及详细研究报告。 本算法首先利用梯度提升树（Gradient Boosting Decision Tree, GBDT）在现有数据集上构建新的特征；随后计算各个特征的最大互信息数，并筛选出 MIC 值超过一定阈值的特征，根据这些特征的MIC值由高到低排序，为后续遗传算法提供启发式信息。最后一步中，在遗传算法过程中根据不同特征的MIC值设定它们出现在初始染色体中的概率；并依据分类性能计算适应度函数以完成最终的特征筛选。 实验分别在 heart.csv、LSVT.csv 和 arcene.csv 数据集上进行，验证了该方法的有效性。数据集划分时采用7:3的比例，并采取分层采样的策略来确保训练集和测试集中各类别的比例一致。值得注意的是，在算法开始阶段就确定了训练集与测试集的划分方式，后续的所有步骤均基于这一固定划分来进行，从而保证了训练过程中的独立性。 本段描述是关于“基于特征构造的两步特征筛选算法”的源码及课程报告的内容概述。