Advertisement

该特征选择库为MATLAB工具箱。

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


简介:
特征选择库 (FSLib 2018) 是一款在广泛应用场景下都表现出强大适应性的 MATLAB 特征选择工具箱。该库内包含了多种方法,包括但不限于:ILFS、信息系统、ECFS、先生、救济f、mutinffs、fsv、拉普拉斯、mcfs、射频、L0、费舍尔以及 UDFS 等。如果您计划利用我们的工具箱(或其内含的方法),务必考虑引用以下文献: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;以及 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发表的相关研究成果。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • :用于MATLAB- 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。
  • FEAST 2.0.0
    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。
  • 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。
  • Python(一个出色的: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_Relief算法_MATLAB下的_
    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。
  • MATLAB中的
    优质
    简介:本文探讨在MATLAB环境中进行特征选择的方法和技术,旨在提高机器学习模型性能,减少过拟合,并提升计算效率。 此MATLAB的mrmrd程序代码是用于特征选择的,能够筛选出最优的特征。
  • MATLAB中的
    优质
    在数据分析和机器学习领域中,《MATLAB中的特征选择》探讨了如何使用MATLAB工具进行高效的数据预处理,特别是针对特征选择的技术与策略。通过优化模型输入,提高预测准确性和计算效率。 特征选择在MATLAB中的应用可以用于对高维数据进行降维处理,在深度学习领域也有广泛的应用。
  • MATLAB中的
    优质
    简介:MATLAB中的特征选择涉及从大量数据中挑选出对模型训练最为关键的变量或属性,以优化算法性能并减少计算复杂度。 这段文字描述了一个基于特征选择的MATLAB mrmrd程序代码,该代码能够筛选出最优的特征。
  • MATLAB中的算法函数
    优质
    本库为MATLAB环境下设计,提供一系列特征选择算法实现,旨在帮助用户优化机器学习模型性能,减少冗余特征,提高计算效率。 本资源提供了一个包含多种特征选择函数的MATLAB库,其中包括relieff和ILFS等功能,并附带license文件。需要此资源的朋友可以下载使用。
  • CARs__
    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