skfeature.function.structure.graph_fs

 
Modules
       
numpy

 
Functions
       
calculate_obj(X, y, w, lambda1, lambda2, T)
feature_ranking(w)
graph_fs(X, y, **kwargs)
This function implement the graph structural feature selection algorithm GOSCAR
 
Objective Function
    min_{w} 1/2 ||X*w - y||_F^2 + lambda1 ||w||_1 + lambda2 \sum_{(i,j) \in E} max{|w_i|, |w|_j}
 
Input:
    X: {numpy array}, shape (n_samples, n_features)
        Input data, guaranteed to be a numpy array
    y: {numpy array}, shape (n_samples, 1)
        Input data, the label matrix
    edge_list: {numpy array}, shape (n_edges, 2)
        Input data, each row is a pair of linked features, note feature index should start from 0
    lambda1: {float}
        Parameter lambda1 in objective function
    lambda2: {float}
        Parameter labmda2 in objective function
    rho: {flot}
        parameter used for optimization
    max_iter: {int}
        maximal iteration
    verbose: {boolean} True or False
        True if we want to print out the objective function value in each iteration, False if not
 
Output:
    w: the weights of the features
    obj: the value of the objective function in each iteration
soft_threshold(A, b)
This function implement the soft-threshold operator
Input:
    A: {numpy scalar, vector, or matrix}
    b: scalar}