Advertisement

FEAST 2.0.0 特征选择工具箱

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
FEAST 2.0.0是一款功能强大的特征选择工具箱，支持多种高效算法，旨在帮助数据科学家和机器学习工程师快速筛选出最具预测能力的特征。 本段落档提供了用于特征选择的FEAST工具箱，包含C、Matlab和Java类型的代码，并支持JMI、MRMR、CMIM、FCBC、MIM、RELIEF及WMIM等多种算法。对于使用C语言编写的部分，还需要MIToolbox库的支持。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • FEAST 2.0.0 特征选择工具箱
    优质
    FEAST 2.0.0是一款功能强大的特征选择工具箱，支持多种高效算法，旨在帮助数据科学家和机器学习工程师快速筛选出最具预测能力的特征。 本段落档提供了用于特征选择的FEAST工具箱，包含C、Matlab和Java类型的代码，并支持JMI、MRMR、CMIM、FCBC、MIM、RELIEF及WMIM等多种算法。对于使用C语言编写的部分，还需要MIToolbox库的支持。
     
  • FEAST-V2.0.0 特征选择算法（Matlab）
    优质
    简介：FEAST-V2.0.0是一款基于Matlab开发的高效特征选择工具包，内含多种互信息相关算法，适用于各类机器学习任务中的特征集筛选。 FEAST算法是一种特征选择算法，全称是“用于C和MATLAB的特征选择工具箱”。该算法提供了基于共同信息的滤波特征选择方法，并通过筛选有用的特征来减少模型训练时间。在Matlab中可以直接调用已经打包好的函数，输入所需的特征数量后，它会自动返回最优的特征并进行从优到劣排序。这是2017年发布的最新版本v2.0.0中的全部源代码。
     
  • FEAST粗糙集特征选择与MIToolbox工具箱安装教程及安装包
    优质
    本教程介绍如何使用FEAST库进行粗糙集特征选择，并提供MIToolbox工具箱的安装步骤和所需文件。 该实现包含以下几种方法：MIM（Mutual Information Maximization）、MRMR（Minimum Redundancy Maximum Relevance）、MIFS（Maximum Information Gain with Side Constraints）、CMIM（Conditional Mutual Information Maximization）、JMI（Joint Mutual Information）、DISR（Double Input Symmetrical Relevance）、CIFE（ Conditional Infomax Feature Extraction）、ICAP（Incremental Combination of Attributes based on Pertinence）、CONDRED（Conditionally Redundant and Relevant Features Elimination）、CMI（Conditional Mutual Information）和RELIEF。此外，还包括MIM、CMIM、JMI、DISR 和 CMI的加权实现以及FCBF（Fast Correlation Based Filter）和BETAGAMMA方法。
     
  • 特征选择工具箱：用于MATLAB的特征选择库- matlab开发
    优质
    特征选择工具箱是一款专为MATLAB设计的功能库，提供多种算法进行特征选择和降维处理，旨在提升机器学习模型性能和简化数据集结构。 特征选择库 (FSLib 2018) 是一个广泛适用的 MATLAB 特征选择工具包。该库包含以下方法： - ILFS - 信息系统 - ECFS - 先生 - 救济f - mutinffs - fsv - 拉普拉斯 - mcfs - 射频 - L0 - 费舍尔 - UDFS - 有限责任公司 如果您使用我们的工具箱（或其中包含的方法），请考虑引用以下文献： Roffo, G.、Melzi, S.、Castellani, U. 和 Vinciarelli, A., 2017 年。无限潜在特征选择：基于概率潜在图的排名方法。arXiv 预印本 arXiv:1707.07538。 Roffo, G.、Melzi, S. 和 Cristani, M., 2015 年。无限特征选择。在 IEEE 计算机视觉国际会议论文中。
     
  • Python特征选择（一个出色的特征选择工具：Feature-Selector）
    优质
    Feature-Selector是一款优秀的Python库，专门用于自动化数据预处理中的特征选择过程。它提供多种模型和统计方法来帮助用户挑选出最具影响力的变量，从而提升机器学习模型的性能与效率。 前言 FeatureSelector是一个用于减少机器学习数据集维度的工具。本段落将介绍一个基础的特征选择工具feature-selector，该工具有助于简化数据分析流程并提高模型性能。此工具由Feature Labs的一名数据科学家William Koehrsen编写。 文章主要分为以下几个部分： 1. 数据集的选择 2. FeatureSelector用法详解 3. 具有高缺失值百分比的特征分析 4. 高相关性特征识别 5. 对模型预测结果无贡献的特征筛选 6. 只对模型预测结果产生微小影响的特征评估 7. 单一取值特征检测与处理方法 8. 从数据集中移除选定的不必要特征步骤 9. 结论 通过以上内容，读者可以全面了解如何使用feature-selector进行有效的特征选择。
     
  • Relief特征选择_Relief算法_MATLAB下的特征选择_特征选择
    优质
    本段介绍Relief算法在MATLAB环境中的实现及其应用，重点探讨如何通过该算法进行有效的特征选择，提升机器学习模型性能。 Relief特征提取算法及对应的Matlab代码，程序包含详细注释。
     
  • CARs_特征选择_
    优质
    CARs特征选择是通过分析和筛选生物标记物来优化嵌合抗原受体（CAR）设计的过程，旨在提高免疫疗法的效果与特异性。 自适应重加权波近红外光谱段选择的PYTHON代码
     
  • 特征选择库
    优质
    特征选择库是一种机器学习工具，用于自动识别和选取数据集中对模型训练最为关键的变量或特征。它帮助提高模型性能并减少过拟合的风险。 Matlab中好用的数据降维和特征选择工具包 版权所有 (c) 2018, Giorgio Roffo 所有权利保留。 在满足以下条件的情况下，允许以源代码形式或二进制形式重新分发和使用（修改或未修改）： * 源代码的再发布必须包含上述版权声明、本许可条件以及免责声明。 * 以二进制形式发布的软件必须包括文档和其他材料中的上述版权声明、本许可条件及免责声明。 未经书面明确允许，不得将格拉斯哥大学及其贡献者的名称用于推广或认可衍生自该软件的产品。 此软件由版权所有者和贡献者“原样”提供，并且不保证其具有任何明示或暗示的商业性适销性和适用特定目的。在使用本软件过程中无论以何种理论、合同、严格责任或其他形式，因何原因导致的直接、间接、附带、特殊、后果性的损失（包括但不限于采购替代商品和服务；数据丢失或利润损失；业务中断）均不予赔偿。
     
  • iVISSA_光谱特征波段选择_光谱_特征选择_
    优质
    简介：本文探讨了iVISSA技术在光谱分析中的应用，重点研究如何通过该方法有效进行光谱数据的特征波段选择与特征提取。 光谱特征波段的筛选涉及从光谱数据中选取具有代表性的变量来建立定量预测模型。