Python实现ReliefF |
您所在的位置：网站首页 › reliefF算法python › Python实现ReliefF |
Python实现ReliefF
|
本博客代码基于如下文章算法思想实现： Y.P. Cai, M. Yang, Y. Gao, H.J. Yin, ReliefF-based multi-label feature selection, International Journal of Database Theory and Application. 8 (4) (2015) 307–318.该算法是基于非转化的多标记ReliefF特征选择算法，与传统多标记ReliefF算法的区别在于没有从标记转化的角度去实现特征权值计算，避免了转化损失。 具体思想在于使用标记相似性将样本进行分类，可以得出样本的各个类别下样本索引，再根据相似性选择最具相似性的k个样本用来计算距离，根据距离差值判断特征分类能力强弱。 特征权值迭代公式如下： 如有错误，请及时告知本人，谢谢！ """ Author: wzk Date: 2020-11-14 theme: 基于ReliefF的多标记特征选择算法 From: Y.P. Cai, M. Yang, Y. Gao, H.J. Yin, ReliefF-based multi-label feature selection, International Journal of Database Theory and Application. 8 (4) (2015) 307–318. """ import numpy as np from collections import defaultdict class MLReliefF: def __init__(self, train_data, train_target, info): """ self.sn = sample nums self.fn = feature nums self.ln = label nums self.k = the nums of k nearest samples :param train_data: :param train_target: :param info: 用于控制变量信息 """ self.train_data = train_data self.train_target = train_target self.k = info.get('k') # 可以设置自己需要的数字，一般来说或3或5 self.sn = train_data.shape[0] self.fn = train_data.shape[1] self.ln = train_target.shape[1] pass def get_k_nearest_sample(self, random_sample_index): """ 对每个随机样本，找出它的k近邻。由于有同类、异类之分，考虑用字典结构记录k近邻索引 除了找出最近邻，还需要找出随机样本占类别比例 :param random_sample_index: :return: """ nearest_samples_dict = dict() rsi = random_sample_index # 找出随机样本被标记为1的标记索引，相似性计算需要根据这些标记进行 same_label_rsi = [i for i in range(self.ln) if self |
由于没有找到文章源代码，且源代码是MATLAB语言，无法用在本人的机器上，所以就根据文章描述将算法实现了一遍，具体代码如下，需要的自取，转载请注明原创。【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |