[人工智能]Matlab中特征选择reliefF算法使用方法（分类与回归）

1. ReliefF简介

ReliefF是特征选择的一种算法，在高维特征样本中，选取部分具有代表性的特征，从而降低样本特征维度。它也是relief算法的进阶。Relief算法只能用来做二分类，但其算法简单，效率高，结果不错，因此才有了其进阶算法ReliefF。ReliefF不仅可以完成多分类任务，也可以胜任回归任务。

2. relieff（）函数

示例：

[ranks,weights] = relieff(X,y,k)
[ranks,weights] = relieff(X,y,k,Name,Value)

（1）输入参数

• X：样本数据集
• y：与X对应的样本标签
• k：一个超参数，relieff中用到了KNN最近邻算法，k为同类样本最近邻的数量。需要根据不同数据处理情况调整参数
• Name：一些拓展设置，一般不常用，详细可看matlab文档，其中‘method’比较常用，用来选择是做回归还是分类任务
• Value：为Name的值，‘method’对应的Value为’regression’或’classification’，对应的“回归”或分类

（2）输出参数

• ranks：对各个维度特征按照重要程度排序，例如ranks = [3,1,2]，表示第3个维度最重要，第1个维度其次，第2个维度最不重要
• weights：原样本每个维度的重要权重，例如：weights = [0.5,0.1,0.4]，表示第一个维度权重为0.5，最重要，第二个维度权重0.1，最不重要，第三个为0.4，第二重要

3. relieff()函数做分类任务特征选择

示例代码：

load fisheriris%matlab中自带的数据集
[ranks,weights] = relieff(meas,species,10,'method','classification')

结果如下：表示第4维度特征和第3维度特征权重较大，因此我们就可以取原数据中第4维度数据和第3维度数据用于分类，其余丢弃，将4维数据降到了2维

@注意@：标签是数字，函数会默认用于回归，如果想要标签是数字，但仍是用于分类，就需要加上‘method’，‘classification’；否则，函数会默认用于分类。上述例子中使用的species是字符串，因此默认用于分类，可以不需要加’method’,‘classification’。

4. relieff()函数做回归任务特征选择

%针对回归任务数据集，只需要将分类任务中的classification换成regression即可
[ranks,weights] = relieff(meas,species,10,'method','regression')