特征选择算法 | Matlab 基于最大相关最小冗余特征选择算法(mRMR)的分类数据特征选择

已于 2023-04-23 14:53:20 修改
阅读量332 收藏 1
点赞数
分类专栏： 完整源码获取（Matlab/Python） 文章标签： matlab 最大相关最小冗余特征选择算法 分类数据特征选择 特征选择算法
于 2023-04-23 14:39:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57362105/article/details/130321297
版权
了解本专栏 订阅专栏 解锁全文
前程算法屋
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
mRMRe进行特征选择
圆圆子的博客
11-04 3784
我会分享一下我使用的mRMRe包的整个代码过程，以及遇到的一些坑，有问题的欢迎一起讨论。 首先，在Rgui上安装mRMRe包，选择顶部栏的程序包，先加载一下CRAN国内镜像，选择China中的任何一个就行，然后选择安装程序包，找到mRMRe包，会自行安装（耐心寻找，按字母排序，不知道为啥没发明个搜索框搜索的） ps:下面这种安装方式只能处理46340个特征 安装完成后，输入library(mRMRe)没有报错即为安装成功。然后接下来就可以愉快的使用了 这里代码也可参考：https://blog.
最大相关最小冗余MATLAB程序
11-02
常见的一种特征筛选手段，可以从大量变量中筛选特征变量实现保留变量与目标之间的最大相关性，而彼此间的重复信息最小
（三）SVM项目-乳腺癌预测
ccc_bioinfo的博客
10-10 3366
今天继续练习SVM的使用，打算明天过一遍算法推导，这之前还是多做项目，熟悉使用方法。 数据来自UCI repository http://archive.ics.uci.edu/ml/datasets/breast+cancer+wisconsin+%28diagnostic%29 【导入并查看数据】 from sklearn import svm import pandas as pd import numpy as np import seaborn as sns import matplotlib.p
基于最大相关最小冗余(mRMR)的回归数据特征选择算法
最新发布
Ouduhwez的博客
12-15 1209
然后，我们计算每个特征与已选择的特征子集之间的冗余性。mRMR算法通过最大化特征与目标变量之间的相关性，同时最小化特征之间的冗余性，来选择重要的特征。在选择特征子集时，mRMR算法通过迭代地添加和删除特征，使得选择出的特征子集既具有较高的相关性，又具有较低的冗余性。该方法基于信息论原理，通过计算特征之间的相关度和冗余度，来评估特征的重要性，进而选择出最具有代表性的特征子集。然而，需要注意的是，mRMR算法仅仅是一种特征选择方法，选择的特征并不一定能够完全代表原始数据的全部信息。
matlab fss,最小冗余度最大相关特征选择
weixin_39966130的博客
03-21 525
minimum-redundancy maximum-relevance feature selectionTwo source code files of the mRMR (minimum-redundancy maximum-relevancy) feature selection method in (Peng et al, 2005 and Ding & Peng, 2005, ...
mRMR Feature Selection（使用互信息计算）：这是最小冗余最大相关特征选择的跨平台版本-matlab开发
06-01
这个包是 (Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（minimum-redundancy maximum-relevancy）特征选择方法，它比传统的 top-ranking 方法更好的性能已经在许多最近出版物中的数据集。 该版本使用互信息作为计算变量（特征）之间相关性和冗余的代理。 其他变化，例如使用相关性或 F 检验或距离，也可以在此框架内轻松实现。 Hanchuan Peng、Fuhui Long 和 Chris Ding，“基于互信息的特征选择：最大依赖、最大相关和最小冗余的标准”， IEEE 模式分析和机器智能汇刊， 卷。 27, No. 8, pp.1226-1238, 2005. [PDF] Ding C. 和 Peng HC，“微阵列基因表达数据的最小冗余特征选择”，《生物信息学与计算生物学杂志》，
特征选择之最小冗余最大相关性(mRMR)(一种常用的特征选择方法是最大化特征与分类变量之间的相关度，就是选择与分类变量拥有最高相关度的前k个变量)
机器学习-深度学习
11-30 1244
特征选择之最小冗余最大相关性(mRMR)(一种常用的特征选择方法是最大化特征与分类变量之间的相关度，就是选择与分类变量拥有最高相关度的前k个变量)
最大相关最小冗余特征选择算法使用最大相关最小冗余算法计算每个特征的互信息值
XltfFKPwOl的博客
12-15 593
总结起来，最大相关最小冗余特征选择算法（MRMR）是一种基于互信息值的特征选择方法，它能够在保持特征相关性的同时，最大限度地减少特征之间的冗余。该算法使用互信息值来衡量特征的相关性和冗余度，通过计算每个特征的互信息值，并对特征进行重要性排序，从而帮助我们选择最有价值的特征。具体地，我们首先选择与目标变量相关性最高的特征作为最重要的特征，然后从剩余特征中选择与已选特征集合相关性最小的特征，重复这个过程，直到选择出所需数量的特征。为了减少特征之间的冗余，我们选择与已选特征集合相关性最小的特征。
使用最大相关最小冗余（mRMR）、lasso回归筛选特征，使用SVC、LDA、Logistic Regression分类器建模（附源代码）
qq_46738968的博客
03-25 2092
使用最大相关最小冗余（mRMR）、lasso回归筛选特征，使用SVC、LDA、Logistic Regression分类器建模（附源代码）
matlab MRMR和relieff特征选择方法
04-18
资源名：matlab MRMR和relieff特征选择方法 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定...
mRMR_0.9_compiled.rar_code mRMR_最大最小冗余_最大最小相关_最小冗余特征_特征选择mrmr
07-15
最大相关最小冗余的代码，用于对特征进行选择
两种最大相关最小冗余
12-08
两种最大相关最小冗余
MRMR(最小冗余最大相关）算法
08-13
MRMR(最小冗余最大相关）算法以及可执行文件，欢迎下载！！！
最大相关最小冗余的C语言源码
03-04
由c语言实现的最大相关最下冗余的特征选择算法源码部分。
论文研究-一种基于组策略的过滤式特征选择算法.pdf
07-23
提出一种基于组策略的MRMR改进算法（MRMRE），该算法不仅考虑单个特征属性的相关性与冗余性，同时针对特征组间的相互关系进行研究。算法以MRMR算法为框架，以CCA作为度量基准，选择SVMs作为基分类器，使其特征选择...
程序_relevance_基于最大相关最小冗余_mrmr_高维数据集属性约简算法_最大最小冗余_源码
10-02
本文主要研究了Minimum -Redundancy Maximum-Relevance(MRMR)的属性约简算法。该算法的思想就是最大化属性子集和类别的相关性，同时最小化属性之间的冗余。本文基于支持向量机（SVM）设计分类器。
mRMR.rar_mrmr_mrmr matlab_mrmr matlab代码_site:www.pudn.com_最大最小冗余
07-14
mRMR(最小冗余最大相关)的比较好的文档，可参考一下
特征选择-mRMR算法
麻-雀的博客
10-21 1万+
mRMR (Max-Relevance and Min-Redundancy) 最大相关和最小冗余算法 为什么会出现mRMR算法？ mRMR算法主要是为了解决通过最大化特征与目标变量的相关关系度量得到的最好的m个特征，并不一定会得到最好的预测精度的问题，因为这m个特征存在冗余特征的情况（是指该特征所包含的信息能从其他特征推演出来，如对于“面积”这个特征而言，从能从“长”和“宽”得出，则它是冗...
最大相关 - 最小冗余（mRMR）特征选择
热门推荐
Darlewo
02-26 2万+
部分转载自维基百科Feature Selection 最大相关-最小冗余 (mRMR)特征选择 彭等人提出了一种特征选择方法，可以使用互信息，相关或距离/相似性分数来选择特征。目的是在存在其他所选特征的情况下通过其冗余来惩罚特征的相关性。 给定两个随机变量x和y，他们的概率密度函数（对应于连续变量）为，则互信息为 特征集S与类c的相关性由各个特征和类c之间的所有互信息值的平均值定义，如...
mrmr特征选择matlab
08-04
mRMR特征选择是一种用于数据分析和模式识别的特征选择方法，它基于最小冗余最大相关原则（minimum redundancy maximum relevance principle），可以帮助我们从大量的特征中选取出最具代表性和有用的特征。 使用MATLAB进行mRMR特征选择的步骤如下： 1. 数据准备：将数据集按照特征和标签进行整理，确保每个样本的特征值和标签值对应。 2. 计算相关性：使用MATLAB中的函数计算每个特征与标签之间的相关性。可以使用相关系数、互信息等指标来度量特征与标签之间的相关性。 3. 计算冗余度：计算特征与特征之间的冗余度。冗余度可以通过计算特征之间的相关性来度量。 4. 选择特征：根据最小冗余最大相关原则，选择具有最大相关性且最小冗余度的特征。可以使用贪婪算法，从相关性最高的特征开始逐步选择。 5. 评估模型：使用选择出的特征建立模型，并对模型进行评估。可以使用交叉验证、ROC曲线等方法来评估模型的性能。 6. 调整参数：根据评估结果，可以调整mRMR特征选择的参数，如选择的特征数目等。 mRMR特征选择方法在很多领域都有应用，如生物信息学、图像处理等。它可以帮助我们缩小特征空间，从而提高模型的效率和性能。MATLAB作为一种功能强大的数据分析和建模工具，提供了丰富的函数和工具箱，可以方便地进行mRMR特征选择的实现和应用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

前程算法屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值