PYALLFFS: An Open-Source Library for All Filter Feature Selection Methods

Yıl 2024, Cilt: 7 Sayı: 5, 971 - 981, 15.09.2024

Tohid Yousefi , Özlem Varlıklar

https://doi.org/10.34248/bsengineering.1467132

Öz

Feature selection is a significant data mining and machine learning technique that enhances model performance by identifying important features within a dataset, reducing the risk of overfitting while aiding the model in making faster and more accurate predictions. pyallffs is a Python library developed to optimize the feature selection process, offering rich content and low dependency requirements. With 19 different filtering methods, pyallffs assists in analyzing dataset features to determine the most relevant ones. Users can apply custom filtering methods to their datasets using pyallffs, thereby achieving faster and more effective results in data analytics and machine learning projects. The source codes, supplementary materials, and guidance is publicly available on GitHub: https://github.com/tohid-yusefi/pyallffs

Anahtar Kelimeler

Feature Selection, Filter Methods, Feature Selection Library, Open-Source Library, Python Software

PYALLFFS: An Open-Source Library for All Filter Feature Selection Methods

Öz

Özellik seçimi, bir veri kümesi içindeki önemli özellikleri tanımlayarak model performansını artıran, aşırı uyum riskini azaltırken modelin daha hızlı ve daha doğru tahminler yapmasına yardımcı olan önemli bir veri madenciliği ve makine öğrenme tekniğidir. pyallffs, özellik seçim sürecini optimize etmek için geliştirilmiş, zengin içerik ve düşük bağımlılık gereksinimleri sunan bir Python kütüphanesidir. 19 farklı filtreleme yöntemiyle pyallffs, en alakalı olanları belirlemek için veri kümesi özelliklerinin analiz edilmesine yardımcı olur. Kullanıcılar, pyallff'leri kullanarak veri kümelerine özel filtreleme yöntemleri uygulayabilir, böylece veri analitiği ve makine öğrenimi projelerinde daha hızlı ve etkili sonuçlar elde edebilirler. Kaynak kodları, ek materyaller ve kılavuz GitHub'da halka açıktır: https://github.com/tohid-yusefi/pyallffs

Anahtar Kelimeler

Özellik Seçimi, Filtre Yöntemleri, Özellik Seçimi Kitaplığı, Açık Kaynak Kitaplığı, Python Yazılımı

Kaynakça

• Ali Khan S, Hussain A, Basit A, Akram S. 2014. Kruskal-Wallis-based computationally efficient feature selection for face recognition. Sci World J, 2014: 1-6.
• Ali SI, Shahzad W. 2012. A feature subset selection method based on symmetric uncertainty and ant colony optimization. In: 2012 Inter Conference on Emerging Technologies, 8-9 October, 2012, Islamabad, Pakistan, pp: 1-6.