mifs算法 matlab,Github 项目推荐 | 用于 C/C++、Java、Matlab/Octave 的特征选择工具箱

加权特征选择算法描述如下：

Information Theoretic Feature Selection forCost-Sensitive Problems

A. Pocock, N. Edakunni, M.-J. Zhao, M. Lujan, G. Brown.

ArXiv

如果有开发者或者学者需要 FEAST 中的实现做研究，请引用上述的论文。所有的 FEAST 代码都是根据 BSD 3-Clause 许可证授权的。

包含以下实现：mim，mrmr，mifs，cmim，jmi，disr，cife，icap，condred，cmi，relief，fcbf，betagamma

加权实现：mim，cmim，jmi，disr，cmi

FEAST 适用于离散输入，所以在使用 FEAST 之前，所有连续值应该离散化。作者在实验中发现，用 10 个宽度相同的二进制文件(bins)能够适用很多问题，尽管这个跟数据集的大小有关。当 FEAST 使用连续的数据时，会生成不可靠的结果，运行速度也会变慢，内存使用量也会增加很多。

MATLAB 示例(使用「data」作为我们的特征矩阵，「label」作为类标签向量)：

>> size(data)

ans =

(569,30) %% denoting 569 examples, and 30 features

>> selectedIndices = feast('jmi',5,data,labels) %% selecting the top 5 features using the jmi algorithm

selectedIndices =

28

21

8

27

23

>> selectedIndices = feast('mrmr',10,data,labels) %% selecting the top 10 features using the mrmr algorithm

selectedIndices =

28

24

22

8

27

21

29

4

7

25

>> selectedIndices = feast('mifs',5,data,labels,0.7) %% selecting the top 5 features using the mifs algorithm with beta = 0.7

selectedIndices =

28

24

22

20

29