Nov, 2022

通用特征选择工具（UniFeat）：一个开源的降维工具

PDF
TL;DRUniFeat 是一个用 Java 编写的开源工具，可在各种研究领域中执行特征选择过程。它提供了一组知名和先进的特征选择方法，用户可以比较它们的性能。 由于 UniFeat 的开源性质，研究人员可以在其研究中使用和修改它，从而促进了新特征选择算法的快速开发。
发现论文，激发创造
  • 无监督特征选择方法的性能分析

    本文比较了不同算法在特征选择方面的效果，结果表明 PCA、Rough PCA、USQR 和 EDR 算法能够快速筛选出对数据分类最相关的特征。

    Jun, 2013

  • 多任务数据的通用特征选择方法

    BoUTS 是一个通用且可扩展的特征选择算法，通过克服限制条件来提取与所有数据集相关的通用特征和与特定子集有预测能力的特定任务特征，并在七个不同的化学回归数据集上取得了靠前的特征稀疏性和预测准确性，具有在不同科学领域推进的巨大潜力。

    Mar, 2024

  • 基于自编码器的无监督特征选择

    本研究介绍了一种基于自编码器回归和组稀疏任务的无监督特征选择方法 AEFS，能够更灵活地选取高维数据中最重要的特征，实验结果表明该方法优于现有的方法。

    Oct, 2017

  • SFE：一种简单、快速、有效的高维数据特征选择算法

    本文提出了一种名为 SFE 的新的高维数据集特征选择算法，包括探索和开发两个阶段，在其中使用两个操作符进行搜索，有选择性和无选择性，成功地从高维数据集中选择特征。

    Mar, 2023

  • 特征选择：关于属性间合作的视角

    研究高维数据集中的特征选择方法及其发展，包括单变量相关性排名算法、关联 - 冗余折衷和基于多变量依赖性的方法，并总结文献中各种方法的贡献，同时介绍当前的问题和挑战，以确定未来的研究和发展方向。

    Jun, 2023

  • 一种用于机器学习中的高维数据集的基于对比的特征选择算法

    通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

    Jan, 2024

  • 利用替代特征选择找到最佳的多样特征集

    特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复杂性并证明了其 NP-hardness。最后，我们使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

    Jul, 2023

  • 深度学习用于高效 GWAS 特征选择

    在 GWAS 数据中，本研究引入了一种针对超高维数据的特征选择方法，该方法利用 Frobenius 范数惩罚增强学生网络的适应能力，通过自动编码器或监督自动编码器进行维度约简，以及经过正则化的前馈模型进行精确特征选择，在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。

    Dec, 2023

  • EasyFS: 一种通过特征的弹性转换进行高效的无模型特征选择框架

    通过弹性扩展和压缩特征的易于特征选择框架（EasyFS），以实现比现有的模型感知方法更好的性能，同时与现有的无模型方法共享效率和灵活性特点。

    Feb, 2024

  • 特征合奏：判别特征选择遇见无监督聚类

    本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

    Nov, 2014