Minimum Redundancy Maximum Relevance variable selection 1.0

0532169 - ÚI 2021 RIV CZ eng L4 - Software
Kalina, Jan - Schlenker, A.
Minimum Redundancy Maximum Relevance variable selection 1.0.
Internal code: MRMR 1.0 ; 2020
Technical parameters: Kód v softwaru R je samostatně spustitelný, vyžaduje instalaci několika dostupných knihoven (MASS, glmnet, e1071, pamr, rda, rrlda). Spuštění je přímočaré s využitím kódu ze souboru DimReduction.R a s využitím dokumentace v něm uvedené, soubor Classifiers.R obsahuje jen pomocné postupy. Dostupné pod licencí MIT.
Economic parameters: Software provádí robustní regularizovanou verzi známé metody MRMR pro redukci dimenze. Zde jde o dosud první dostupnou implementaci MRMR metody, která je vhodná pro vysoce dimenzionální data kontaminovaná odlehlými hodnotami, zároveň optimálně odhaduje veškeré parametry, a proto výrazně usnadňuje práci uživatelům.
R&D Projects: GA ČR(CZ) GA19-05704S
Institutional support: RVO:67985807
Keywords : Redukce dimenze * robustnost * vysoce dimenzionální data * Dimension reduction * robustness * high-dimensional data
OECD category: Statistics and probability
https://github.com/jankalinaUI/Minimum_Regularized_Redundancy_Maximum_Robust_Relevance_Variable_Selection

The code implemented in R software performs supervised variable selection of a given (possibly high-dimensional) dataset by the MRMR method, i.e. Minimum Redundancy-Maximum Relevance. The computations, which were tested over three real datasets, include automatic choices of all parameters and compare various measures of relevance and redundancy as well as various classifiers. The software is available under MIT license.
Permanent Link: http://hdl.handle.net/11104/0310758


Research data: GitHub.com