文件名称：xgboost代码回归matlab-FeatureSelection:功能选择
文件大小：774KB
文件格式：ZIP
更新时间：2024-06-15 16:26:24
系统开源
xgboost代码回归matlab 功能选择 我编写了简单的代码来合并特征选择的几种方法和机器学习的分类器方法。 通过使用此代码，我们可以选择特征后得到结果，也可以知道分类后的结果。 通过分类结果，我们可以了解选择后的特征质量。 所有分类器都称为R包 一些功能选择方法称为R包和matlab代码 特征选择方法： 知识管理系统 人民币汇率 澳美食品添加剂联合会 分类器方法： 支持向量机 LDA xgBoost 随机森林 逻辑回归 朴素贝叶斯 输入输出 在此程序包中，输入是包含要素（X轴），smaple（Y轴）和标签的行数据，输出是选择和分类的结果。 处理过程 主功能 :play_button: 评估 :play_button: 通话功能（功能选择） :play_button: 通话功能（分类器） :play_button: 结果 功能职务 主要的： 读取数据 设置特征选择（FS）的参数 设置分类器（CF）的参数 设置舍入时间（ OuterRound ） 设置训练与测试数据的比率（ P ） 设置特征编号以选择（ K ） 设置并行计算的内核数 评估： 将输入数据切成训练和测试数据 呼叫FS和CF 记录每个回合的输出。在此阶段，它将在每个K中运行OuterRound时间。 通话功能 功能选
【文件预览】：
FeatureSelection-master
----Evaluate()
--------CallmRMR.R(640B)
--------CallNaiveBayes.R(836B)
--------Readme.md(2KB)
--------PredictEvaluate.R(2KB)
--------Callxgb.R(855B)
--------Lib.R(946B)
--------CallSSKM.R(373B)
--------Evaluate.R(4KB)
--------CallOMICFS.R(861B)
--------Main.R(2KB)
--------CallLogitRegression.R(727B)
--------CallSVM.R(838B)
--------CallRandomForest.R(850B)
----.gitattributes(59B)
----OMICFS()
--------parameter.dat()
--------Readme.md(4KB)
--------OMICFS.m(5KB)
--------lb_train.dat()
--------OMICFS_RF.csv(12B)
--------MINE()
--------dt_train.dat()
--------MatlabCall.m(279B)
----mRMR()
--------mRMRe.pdf(134KB)
----LICENSE(1KB)
----SSKM()
--------Readme.md(2KB)
--------NAMESPACE(31B)
--------DESCRIPTION(365B)
--------R()
--------.Rbuildignore(28B)
--------SSKM.Rproj(356B)
----README.md(2KB)
----.gitignore(581B)