معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A Feature Selection and Feature ranking Package that can be used to select and rank features in datasets

ویژگی	مقدار
سیستم عامل	-
نام فایل	Feature-Selction-Ranking-Algorithms-1.0.7
نام	Feature-Selction-Ranking-Algorithms
نسخه کتابخانه	1.0.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Lakshajyoti Paul
ایمیل نویسنده	lakshajyotipaul777@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/Feature-Selction-Ranking-Algorithms/
مجوز	MIT

Feature Selection and Feature Ranking Algorithms : A Python package that provides many feature selection and feature ranking algorithms Use the function call like : fsfr(dataset, fs = 'string_value', fr = 'string_value', ftf = 'string_value') Parameters : dataset : pandas dataframe of the original dataset It must only contain numerical values (categorical, ordinal values are excluded) and the class variable (decisional attribute or variable) should be also of numerical type. fs : string values - 'gpso' or 'ga' fs means feature selection method can be either : gpso : Geometric Particle Swarm Optimisation ga : Genetic Alogorithm fr : string values - 'rsm_a' , 'rsm_b' , 'rsm_c' , 'mifsnd' , 'mrmr' fr means feature ranking and can be either : rsm_a : Rough Set Method 1 rsm_b : Rough Set Method 2 rsm_c : Rough Set Method 3 mifsnd : Mutual Information Feature Selection-ND mrmr : Minimum Redundancy Maximum Relevance ftf : string values - 'ftf_1' , 'ftf_2' , 'ftf_3' ftf means fitness function If 'fs' is used then, it is mandatory to specify the value of 'ftf' ftf_1 : fitness function = 0.75 * (100/accuracy) + 0.25 * (no of features) ftf_2 : fitness function = 0.75 * accuracy + 0.25 * (1 / no of features) ftf_3 : fitness_function = accuracy * (1 - no of features/total no of features) no of features = no of features that are selected by the algorithm at that instance Returns : list of features ranked in descending order if both 'fs' and 'fr' are used or only 'fr' is used. The feature selection and ranking can be used independently of each other by mentioning either fs='' or fr='' but both cannot be '' and it is preferable to use both at the same time in case of larger datasets. Refrences for algorithms : gpso with ftf_1 : https://www.researchgate.net/publication/4307926_Gene_selection_in_cancer_ rsm_a : http://library.isical.ac.in:8080/jspui/bitstream/10263/5158/1/Rough%20Sets%20for%20Selection %20of%20Molecular%20Descriptors%20to%20Predict%20Biological%20Activity%20of%20Molecules-IEEETOSMAC-% 20Part%20C-AAR-40-6-2010-p%20639-648.pdf rsm_b : https://ieeexplore.ieee.org/document/7104131 mifsnd : https://www.sciencedirect.com/science/article/pii/S0957417414002164 The rest of the algorithms have been self developed and do not contain any materials from any other sources

نحوه نصب

نصب پکیج whl Feature-Selction-Ranking-Algorithms-1.0.7:

pip install Feature-Selction-Ranking-Algorithms-1.0.7.whl

نصب پکیج tar.gz Feature-Selction-Ranking-Algorithms-1.0.7:

pip install Feature-Selction-Ranking-Algorithms-1.0.7.tar.gz