集成特征选择
专题介绍：R是一种广泛用于数据分析和统计计算的强大语言，于上世纪90年代开始发展起来。得益于全世界众多 爱好者的无尽努力，大家继而开发出了一种基于R但优于R基本文本编辑器的R Studio（用户的界面体验更好）。也正是由于全世界越来越多的数据科学社区和用户对R包的慷慨贡献，让R语言在全球范围内越来越流行。其中一些R包，例如MASS，SparkR， ggplot2，使数据操作,可视化和计算功能越来越强大。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。R作为一种统计分析软件，是集统计分析与图形显示于一体的。它可以运行于UNIX、Windows和Macintosh的操作系统上，而且嵌入了一个非常方便实用的帮助系统，相比于其他统计分析软件，R的学术性开发比较早，适合生物学和医学等学术学科的科研人员使用。
阅读完本文，你可以知道：
1 集成特征选择是什么
2 集成特征选择的类型
3 集成特征选择要解决的关键问题
4 集成特征选择实现的常用工具
集成特征选择是融合集成学习思想和特征选择方法，它结合了多个特征选择器的输出，通常可以提高性能，使得用户不必局限于选择单一的方法。简而言之：
集成特征选择 = 集成学习 + 特征选择
集成特征选择可以分为同构的和异构的。
同构的是指采用相同基特征选择器；而异构的是指采用不同的基特征选择器。
类似于，集成学习器里面的基分类器可以是相同的分类器，也可以是不同的分类器。
同构的，即对不同的训练数据集使用相同的特征选择方法；异构的，即对相同的训练数据集使用不同的特征选择方法。
集成特征选择要解决的关键问题，描述如下：
1 基特征选择选择器的确定
2 集成特征选择的策略，是采用同构的，还是异构的
3 集成特征选择的最终结果的合并策略
集成特征选择方法实现的常用工具
1 MATLAB，它的统计学和机器学习工具箱包括这些方法可以做特征选择。1）fscnca， 利用邻域成分分析进行特征选择分类；2）fsrnca， 利用邻域成分分析进行特征选择回归；3）relieff，利用ReliefF算法获得变量的重要性分析。等等。
2 R，有许多R包可以做特征选择。最著名的R包是caret和boruta。
3 Scikit-Learn，包括一些特征选择方法。例如基于低方差移除特征；基于卡方检验和互信息的单一变量的特征选择；递归特征消除的方法。等等。
关于集成特征选择，您有什么想法请留言。
需要深入交流和沟通，请加我的微信：luqin360。备注：实名+工作或者专业，否则不会通过。
数据思考与践行
帮助数据人才找工作
文章推荐
请关注“恒诺新知”微信公众号，感谢“R语言“，”数据那些事儿“，”老俊俊的生信笔记“，”冷🈚️思“，“珞珈R”，“生信星球”的支持！
你可能也喜欢
白介素-17受体信号的自主激活，维持炎症并促进疾病进展
MCT4依赖的乳酸分泌抑制LKB1缺陷肺腺癌的抗肿瘤免疫
