特征选择mRMR算法代码实现及安装下载

mrmr算法matlab代码希格斯玻色子识别 我们使用模式识别/机器学习方法将碰撞事件分类为“希格斯玻色子的 tau 衰减”与“背景”，这些数据来自 Kaggle 希格斯玻色子机器学习挑战赛提供的数据。 该程序是用 MATLAB 构建的，还有一个用户界面，可以结合多种技术来在数据集中获得最佳性能。 一些特点 用户界面 预处理工具 特征减少/选择工具 分类工具 评估工具 保存模型 加载预设模型 数据集 提供的训练数据集包含 200000 个事件，包含一个 ID 列、30 个特征列和一个标签列。 标签栏将“背景”事件与与“希格斯玻色子的 tau tau 衰变”相关的事件区分开来。 原始数据集和有关特征的所有其他详细信息可以在 data 和 中找到。 pdf。 培训：16000个事件 测试：40000 个事件 预处理 缺失值：部分特征呈现缺失值，用值-999.0表示。 我们使用了每个类别的每个特征的平均值和中位数，并用相应的插补值替换了所有缺失值。 数据归一化：为了将不同尺度上的特征值调整到共同尺度，我们用均值 0 和标准偏差 1 对每个特征群体进行归一化。为此，我们减去了每个样本的总体均值

MRMR(最小冗余最大相关）算法以及可执行文件，欢迎下载！！！

MRMR mrmr （最小冗余）是一种“最小最佳”特征选择算法，这意味着在给定（少量）特征的情况下，它试图找到能够提供最佳分类的特征集。 如何安装 您可以通过以下方式在您的环境中安装mrmr ： pip install git+https://github.com/smazzanti/mrmr 如何使用 您有一个由数字变量（ X ）和一个系列（二进制或多类）目标变量（ y ）组成的数据框。 您希望选择K个要素，以便它们具有最大的相关性，但又要使彼此之间的冗余度尽可能小。 from mrmr import mrmr_classif from sklearn.datasets import make_classification # create some data X, y = make_classification(n_samples = 1000, n_features = 50,