itmofs-lab

Uma interface simples, uniforme e honesta para seleção de características com a ITMO_FS.
Todos os métodos com a mesma API, um comando de ajuda que mostra o que entra e o que sai, e a documentação completa de cada método aqui no README.

Python License Downloads Status

pip install itmofs-lab

Por que existe

A ITMO_FS reúne dezenas de métodos de feature selection (filtros, ensembles, wrappers), mas com uma API heterogênea: algumas medidas são funções, outras são classes; umas usam fit/transform, outras run/feature_ranking; as regras de corte operam sobre dicionários; e há bugs e requisitos que só aparecem em tempo de execução.

O itmofs-lab entrega tudo isso com uma cara só:

✅ API única — todo método usa fit / transform e expõe selected_, selected_names_ e scores_.
✅ Comando de ajuda — itmofs-lab info <método> (ou m.info()) mostra exatamente o que entra e o que sai.
✅ Um arquivo por método, importável isoladamente.
✅ Honestidade — métodos que não executam na versão instalada ficam documentados e levantam um erro claro em vez de falhar de forma obscura.
✅ Rigor científico — pensado para que o conjunto de teste nunca participe da seleção.

Instalação

pip install itmofs-lab

⚠️ Recomendação de ambiente. A ITMO_FS 0.3.3 é de ~2021. Para os métodos rodarem sem erros de runtime, use dependências compatíveis:
pip install "numpy<2" "pandas<2" "scikit-learn<1.4" itmofs-lab

Uso em 30 segundos

import itmofs_lab as fs
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

X, y = load_breast_cancer(return_X_y=True)
X_tr, X_te, y_tr, y_te = train_test_split(X, y, stratify=y, random_state=42)

m = fs.get("gini_index", k=10)      # escolha o método pelo nome
m.fit(X_tr, y_tr)                   # ajusta SÓ no treino (anti-leakage)
X_te_sel = m.transform(X_te)        # aplica as mesmas colunas ao teste

print(m.selected_)                  # índices selecionados
print(m.selected_names_)            # nomes das features
print(m.scores_)                    # scores por feature (ou None)

Comando de ajuda: o que entra e o que sai

itmofs-lab list                     # todos os métodos + status
itmofs-lab families                 # métodos agrupados por família
itmofs-lab info gini_index          # o que entra e o que sai deste método
itmofs-lab run gini_index --dataset breast_cancer -k 10
itmofs-lab version

No Python: fs.info("gini_index"), fs.list_methods(family="ensembles"), fs.get("chi2_measure").info().

Um arquivo por método

from itmofs_lab.filters.univariate.gini_index import GiniIndex
from itmofs_lab.ensembles.WeightBased import WeightBased

m = GiniIndex(k=10)                 # equivalente a fs.get("gini_index", k=10)
print(GiniIndex.info())

Regra científica: anti-leakage

dataset → split treino/teste → preprocessing.fit(treino) → seletor.fit(treino)
        → transform(treino) e transform(teste) → classificador → avaliação no teste

O conjunto de teste nunca participa da seleção. Chame fit apenas com X_train (e y_train quando supervisionado), aplique transform ao teste depois, e escolha k/threshold somente por validação cruzada no treino.

📚 Documentação completa dos métodos

51 métodos catalogados e documentados.

Cobertura de todas as famílias da ITMO_FS. Clique para ir à seção:

[🔹 Filtros univariados](#🔹 filtros univariados) — 15 método(s)
[🔸 Filtros multivariados](#🔸 filtros multivariados) — 17 método(s)
[🌐 Filtros esparsos](#🌐 filtros esparsos) — 5 método(s)
[🧩 Filtros não supervisionados](#🧩 filtros não supervisionados) — 1 método(s)
[🧠 Ensemble — baseado em medidas (WeightBased)](#🧠 ensemble — baseado em medidas (weightbased)) — 1 método(s)
[🧠 Ensemble — baseado em rankings (Mixed)](#🧠 ensemble — baseado em rankings (mixed)) — 1 método(s)
[🧠 Ensemble — baseado em modelos (BestSum)](#🧠 ensemble — baseado em modelos (bestsum)) — 1 método(s)
[🔗 Híbridos](#🔗 híbridos) — 2 método(s)
[🌱 Embedded](#🌱 embedded) — 1 método(s)
[🎁 Wrappers](#🎁 wrappers) — 7 método(s)

🔹 Filtros univariados

`VDM` — Value Difference Metric · ⚪ componente de apoio

Métrica de diferença de valores categóricos condicionada às classes.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ❌ · subconjunto ❌ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: VDM(weighted).run(X, y) -> matriz de distância
Atenção: não seleciona features; apoia métodos baseados em distância.
⚠️ Catalogado e documentado, mas não executável nesta versão (SUPPORT_ONLY): ao chamar fit levanta NotSupportedError com o motivo.

`anova` — ANOVA F-test · 🟢 OK

Estatística F de ANOVA por feature.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: anova(X, y) | UnivariateFilter('anova', ('K best', k))

m = fs.get('anova', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`chi2_measure` — Chi-squared · 🟢 OK

Estatística qui-quadrado entre feature e classe.

Entra: X ✅ · y: obrigatório · pré-processamento: dados não negativos (X≥0); escala recomendada: minmax
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: chi2_measure(X, y) | UnivariateFilter('chi2_measure', ('K best', k))

m = fs.get('chi2_measure', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`f_ratio_measure` — F-ratio (Fisher score) · 🟢 OK

Calcula o Fisher score de cada feature (separação entre classes).

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: f_ratio_measure(X, y) | UnivariateFilter('f_ratio_measure', ('K best', k))

m = fs.get('f_ratio_measure', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`fechner_corr` — Fechner correlation · 🟢 OK

Correlação de sinal (Fechner) de cada feature.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: fechner_corr(X, y) | UnivariateFilter('fechner_corr', ('K best', k))
Atenção: correlação com sinal: 'K best' usa score BRUTO — associações fortemente negativas podem ser ignoradas; considere magnitude.

m = fs.get('fechner_corr', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`fit_criterion_measure` — Fit Criterion · 🔴 indisponível (bug 0.3.3)

Critério de ajuste por classe (centros/variâncias).

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: fit_criterion_measure(X, y)
Atenção: bug: np.empty(np.unique(y)) -> TypeError em qualquer entrada.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`gini_index` — Gini index · 🟢 OK

Índice de Gini: medida de dispersão estatística por feature.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: gini_index(X, y) | UnivariateFilter('gini_index', ('K best', k))

m = fs.get('gini_index', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`information_gain` — Information gain · 🟢 OK

Informação mútua I(X;Y)=H(X)-H(X|Y) por feature.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: information_gain(X, y) | UnivariateFilter('information_gain', ('K best', k))

m = fs.get('information_gain', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`kendall_corr` — Kendall correlation · 🟢 OK

Correlação de sinal (Kendall) de cada feature.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: kendall_corr(X, y) | UnivariateFilter('kendall_corr', ('K best', k))
Atenção: correlação com sinal: 'K best' usa score BRUTO — associações fortemente negativas podem ser ignoradas; considere magnitude.

m = fs.get('kendall_corr', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`laplacian_score` — Laplacian score · 🟢 OK

Score laplaciano (não supervisionado); menor é melhor.

Entra: X ✅ · y: não usado · pré-processamento: escala recomendada: standard
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: laplacian_score(X, y) | UnivariateFilter('laplacian_score', ('K best', k))

m = fs.get('laplacian_score', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`pearson_corr` — Pearson correlation · 🟢 OK

Correlação de Pearson de cada feature com o alvo.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: pearson_corr(X, y) | UnivariateFilter('pearson_corr', ('K best', k))
Atenção: correlação com sinal: 'K best' usa score BRUTO — associações fortemente negativas podem ser ignoradas; considere magnitude.

m = fs.get('pearson_corr', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`qpfs_filter` — QPFS · 🟠 dependência ausente

Quadratic Programming Feature Selection.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: qpfs_filter(X, y, r, sigma, solv, fn)
Atenção: requer solver de QP (quadprog) ausente.
⚠️ Catalogado e documentado, mas não executável nesta versão (DEPENDENCY_MISSING): ao chamar fit levanta NotSupportedError com o motivo.

`reliefF_measure` — ReliefF · 🟢 OK

Medida ReliefF baseada em vizinhos mais próximos.

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: reliefF_measure(X, y) | UnivariateFilter('reliefF_measure', ('K best', k))

m = fs.get('reliefF_measure', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`spearman_corr` — Spearman correlation · 🟢 OK

Correlação de Spearman de cada feature com o alvo.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: spearman_corr(X, y) | UnivariateFilter('spearman_corr', ('K best', k))
Atenção: correlação com sinal: 'K best' usa score BRUTO — associações fortemente negativas podem ser ignoradas; considere magnitude.

m = fs.get('spearman_corr', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`su_measure` — Symmetric Uncertainty · 🟢 OK

Correlação informacional SU(X,Y)=2*I(X;Y)/(H(X)+H(Y)).

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: k (nº de features a manter (cutting rule 'K best')) · cutting_rule (select_k_best|select_best_percentage|...) · cutting_param (parâmetro da cutting rule (k, percent, value))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: su_measure(X, y) | UnivariateFilter('su_measure', ('K best', k))

m = fs.get('su_measure', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🔸 Filtros multivariados

`CFR` — CFR · 🟢 OK

Maximiza correlação e minimiza redundância.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('CFR', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('CFR', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`CIFE` — CIFE · 🟢 OK

Conditional Infomax Feature Extraction.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('CIFE', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('CIFE', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`CMIM` — CMIM · 🟢 OK

Conditional Mutual Info Maximisation.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('CMIM', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('CMIM', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`DCSF` — DCSF · 🟢 OK

Dynamic change of selected feature.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('DCSF', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('DCSF', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`DISRWithMassive` — DISR with Massive · 🟢 OK

Double Input Symmetric Relevance (kASSI); maximiza info mútua evitando densidade multivariada grande.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: expected_size (nº de features esperado)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: DISRWithMassive(expected_size).fit(X,y).transform(X)

m = fs.get('DISRWithMassive').fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`FCBFDiscreteFilter` — FCBF (discrete) · 🟢 OK

Fast Correlation Based Filter para dados discretos (info mútua; remove redundância).

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: FCBFDiscreteFilter().fit(X,y).transform(X)
Atenção: define automaticamente o nº de features (limiar de correlação).

m = fs.get('FCBFDiscreteFilter').fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`ICAP` — ICAP · 🟢 OK

Interaction Capping.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('ICAP', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('ICAP', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`IWFS` — IWFS · 🟢 OK

Interaction Weight based feature scoring.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('IWFS', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('IWFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`JMI` — Joint Mutual Information · 🟢 OK

Informação mútua conjunta (complementaridade).

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('JMI', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('JMI', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`MIFS` — MIFS · 🟢 OK

Relevância menos penalização de redundância (parâmetro beta).

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial)) · beta (peso de redundância)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('MIFS', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('MIFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`MIM` — Mutual Information Maximization · 🟢 OK

Maximiza relevância (informação mútua) com o alvo.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('MIM', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('MIM', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`MIMAGA` — MIMAGA · 🔴 indisponível (bug 0.3.3)

MIM + algoritmo genético (estocástico, custoso).

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MIMAGA(mim_size, pop_size, max_iter, f_target, k1..k4)
Atenção: requer muitos hiperparâmetros e é estocástico; não incluído por padrão.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`MRI` — MRI · 🟢 OK

Max-Relevance and Max-Independence.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('MRI', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('MRI', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`MRMR` — mRMR · 🟢 OK

Máxima relevância e mínima redundância.

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('MRMR', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('MRMR', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`STIR` — STIR · 🟢 OK

Seleção via algoritmo STIR (baseado em vizinhança).

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features a manter)
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: STIR(n_features_to_keep).fit(X,y).transform(X)

m = fs.get('STIR', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`TraceRatioFisher` — Trace Ratio (Fisher) · 🟢 OK

Trace Ratio supervisionado (versão Fisher, baseado em similaridade).

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features)
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: TraceRatioFisher(n_selected).fit(X,y).transform(X)

m = fs.get('TraceRatioFisher', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`generalizedCriteria` — Generalized Criteria · 🟢 OK

Combinação linear de relevância/redundância/dependência (beta, gamma).

Entra: X ✅ · y: obrigatório · pré-processamento: dados discretizados; escala recomendada: discretize
Parâmetros: n_features (nº de features a selecionar (processo sequencial)) · beta (peso de redundância) · gamma (peso de dependência condicional)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MultivariateFilter('generalizedCriteria', n_features)
Atenção: sem score global comparável; ranking = ordem de seleção (score_available=false).

m = fs.get('generalizedCriteria', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🌐 Filtros esparsos

`MCFS` — MCFS · 🟢 OK (adaptador)

Unsupervised FS for Multi-Cluster Data.

Entra: X ✅ · y: não usado · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MCFS(...).run(X[, y]); feature_ranking(W)
Atenção: scheme='dot' é bugado; usamos '0-1'.

m = fs.get('MCFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`NDFS` — NDFS · 🟢 OK (adaptador)

Nonnegative Discriminative Feature Selection.

Entra: X ✅ · y: não usado · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: NDFS(...).run(X[, y]); feature_ranking(W)

m = fs.get('NDFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`RFS` — RFS · 🟢 OK (adaptador)

Robust Feature Selection (L2,1-norms).

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: RFS(...).run(X[, y]); feature_ranking(W)

m = fs.get('RFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`SPEC` — SPEC · 🟢 OK (adaptador)

Spectral Feature Selection.

Entra: X ✅ · y: opcional · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: SPEC(...).run(X[, y]); feature_ranking(W)
Atenção: modo não supervisionado (y=None) é bugado; use label_aware.

m = fs.get('SPEC', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`UDFS` — UDFS · 🟢 OK (adaptador)

Unsupervised Discriminative Feature Selection.

Entra: X ✅ · y: não usado · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: UDFS(...).run(X[, y]); feature_ranking(W)

m = fs.get('UDFS', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🧩 Filtros não supervisionados

`TraceRatioLaplacian` — Trace Ratio (Laplacian) · 🟢 OK (adaptador)

Trace Ratio não supervisionado (Laplacian).

Entra: X ✅ · y: opcional · pré-processamento: escala recomendada: standard
Parâmetros: n_features (nº de features (top do ranking)) · mode (unsupervised | label_aware)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: TraceRatioLaplacian(...).run(X[, y]); feature_ranking(W)
Atenção: run() retorna (indices, score, lambda).

m = fs.get('TraceRatioLaplacian', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🧠 Ensemble — baseado em medidas (WeightBased)

`WeightBased` — WeightBased · 🟢 OK

Ensemble por fusão de SCORES normalizados de filtros base.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: base_measures (lista de medidas (strings do UnivariateFilter)) · k (nº de features (cutting rule)) · cutting_rule (regra de corte) · weights (pesos por filtro (None=uniforme))
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: WeightBased(filters).fit(X,y); transform(X, cutting_rule[, fusion, weights])
Atenção: normalização min-max por base pode apagar correlação negativa (harmonize a direção).

m = fs.get('WeightBased', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🧠 Ensemble — baseado em rankings (Mixed)

`Mixed` — Mixed · 🟢 OK

Ensemble por fusão de RANKINGS (robusto à escala).

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Parâmetros: base_measures (lista de FUNÇÕES de medida) · k (nº de features)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: Mixed(filter_functions).fit(X,y); transform(X, k[, fusion])
Atenção: bases são funções de medida (não objetos filtro).

m = fs.get('Mixed', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🧠 Ensemble — baseado em modelos (BestSum)

`BestSum` — BestSum · 🟢 OK (adaptador)

Ensemble model-based: importâncias ponderadas por desempenho de CV (só treino).

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: base_measures (medidas base (via adaptador com selected_features+best_score)) · k (nº de features) · k_each (nº de features por modelo base)
Sai: score por feature ✅ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_, scores_
Assinatura ITMO_FS: BestSum(models, cutting_rule).fit(X,y); cut()
Atenção: BestSum marcado 'not stable'; predict() é bugado — usamos fit()+cut().

m = fs.get('BestSum', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🔗 Híbridos

`FilterWrapperHybrid` — Filter+Wrapper Hybrid · 🔴 indisponível (bug 0.3.3)

Filtro rápido seguido de wrapper.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: FilterWrapperHybrid(filter_, wrapper).fit(X,y)
Atenção: usa RecursiveElimination internamente (bug list.remove em ndarray).
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`Melif` — Melif · 🟢 OK

Otimiza pesos de um ensemble de filtros para maximizar um scorer (só treino).

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: base_measures (medidas do ensemble base) · k (nº de features) · estimator (classificador (default LogisticRegression)) · scorer (função scorer(y_true,y_pred) (default f1_macro))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: Melif(filter_ensemble, scorer).fit(X,y,estimator,cutting_rule)
Atenção: scorer é obrigatório (default fornecido pelo itmofs-lab).

m = fs.get('Melif', k=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🌱 Embedded

`MOS` — MOS / MOSS / MOSNS · 🟢 OK

Minimizing Overlapping Selection (com/sem SMOTE) via modelo linear regularizado.

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: (interno) (usa loss='hinge' (loss='log' foi removido no sklearn atual))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: MOS(model, loss, seed).fit(X,y).transform(X)
Atenção: loss='log' quebrado no sklearn atual; itmofs-lab usa 'hinge'.

m = fs.get('MOS').fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

🎁 Wrappers

`AddDelWrapper` — Add-Del Wrapper · 🔴 indisponível (bug 0.3.3)

Wrapper baseado em busca guiada por classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: AddDelWrapper(estimator, score, maximize, seed).fit(X,y)
Atenção: bug: score chamado como int -> TypeError.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`BackwardSelection` — Backward Selection · 🟢 OK

Remove uma feature por vez até atingir n_features.

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: estimator (classificador sklearn (default LogisticRegression)) · n_features (nº de features finais) · measure (score(y_true,y_pred) (default accuracy))
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: BackwardSelection(estimator, n_features, measure).fit(X,y)

m = fs.get('BackwardSelection', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`HillClimbingWrapper` — Hill Climbing · 🔴 indisponível (bug 0.3.3)

Wrapper baseado em busca guiada por classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: HillClimbingWrapper(estimator, scorer).fit(X,y)
Atenção: bug: compara dict com int -> TypeError.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`RecursiveElimination` — Recursive Elimination · 🔴 indisponível (bug 0.3.3)

Wrapper baseado em busca guiada por classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: RecursiveElimination(estimator, n_features).fit(X,y)
Atenção: bug: list.remove em ndarray -> AttributeError.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

`SequentialForwardSelection` — Sequential Forward Selection · 🟢 OK

Adiciona sequencialmente a feature que mais melhora o classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: escala recomendada: standard
Parâmetros: estimator (classificador sklearn) · n_features (nº de features) · measure (score)
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: SequentialForwardSelection(estimator, n_features, measure).fit(X,y)

m = fs.get('SequentialForwardSelection', n_features=10).fit(X_train, y_train)
X_sel = m.transform(X_test); m.selected_names_

`SimulatedAnnealing` — Simulated Annealing · 🔴 vazamento por design

Wrapper baseado em busca guiada por classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: SimulatedAnnealing(classifier, score, ...).fit(X,y,test_x,test_y)
Atenção: fit exige dados de teste (leakage por design).
⚠️ Catalogado e documentado, mas não executável nesta versão (LEAKAGE_BY_DESIGN): ao chamar fit levanta NotSupportedError com o motivo.

`TPhMGWO` — Two-Phase Mutation GWO · 🔴 indisponível (bug 0.3.3)

Wrapper baseado em busca guiada por classificador.

Entra: X ✅ · y: obrigatório · pré-processamento: nenhum obrigatório
Sai: score global ❌ · ranking ✅ · subconjunto ✅ · atributos após fit: selected_, selected_names_
Assinatura ITMO_FS: TPhMGWO(...).run(X,y)
Atenção: usa np.float (removido no numpy>=1.24) -> AttributeError.
⚠️ Catalogado e documentado, mas não executável nesta versão (BROKEN_IN_0_3_3): ao chamar fit levanta NotSupportedError com o motivo.

🧪 Compatibilidade e honestidade

Alguns métodos presentes na API da ITMO_FS 0.3.3 não executam nesta versão (bugs da biblioteca, dependência ausente, ou design que exige o teste no ajuste). Eles permanecem catalogados e documentados, e ao serem chamados levantam NotSupportedError com o motivo — nada é mascarado.

Situação	Exemplos
🔴 Bug na biblioteca 0.3.3	`fit_criterion_measure`, `RecursiveElimination`, `TPhMGWO`, `HillClimbingWrapper`, `AddDelWrapper`, `FilterWrapperHybrid`
🟠 Dependência ausente	`qpfs_filter` (requer solver de QP)
🔴 Vazamento por design	`SimulatedAnnealing` (exige teste no `fit`)

O status de cada método aparece em itmofs-lab list e nas seções acima.

🔬 Sobre o projeto

O itmofs-lab nasceu de um estudo prático, sistemático e reprodutível da biblioteca ITMO_FS, no contexto de pesquisa de pós-graduação sobre Ensemble Feature Selection. Cada método foi inspecionado em tempo de execução (assinatura real, atributos após fit, requisitos de dados) e exercitado em datasets didáticos, respeitando a regra anti-leakage. O resultado é uma camada fina, uniforme e documentada sobre a ITMO_FS, que preserva o comportamento nativo da biblioteca e apenas padroniza o uso — sem inventar scores, sem mascarar erros e sem alterar o pacote original.

📖 Documentação em site

Além deste README, há um site navegável (MkDocs Material):

pip install mkdocs mkdocs-material
mkdocs serve      # http://127.0.0.1:8000

📌 Como citar

@software{santos_itmofs_lab,
  author  = {Santos, Vinicius de Souza},
  title   = {itmofs-lab: interface uniforme e documentada para selecao de caracteristicas com a ITMO_FS},
  year    = {2026},
  url     = {https://github.com/ViniciusKanh/itmofs-lab}
}

👤 Autor

Vinicius de Souza Santos Aluno de pós-graduação — Universidade Estadual Paulista (UNESP), Rio Claro ✉️ vinicius-souza.santos@unesp.br

📝 Licença

Distribuído sob a licença MIT (veja LICENSE). Este pacote é uma camada de conveniência sobre a ITMO_FS, que possui autores e licença próprios; o itmofs-lab não redistribui nem modifica o código da ITMO_FS.

Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

itmofs_lab-0.1.1.tar.gz (50.8 kB view details)

Uploaded Aug 13, 2026 Source

Built Distribution

If you're not sure about the file name format, learn more about wheel file names.

The dropdown lists show the available interpreters, ABIs, and platforms. Enable javascript to be able to filter the list of wheel files.

itmofs_lab-0.1.1-py3-none-any.whl (76.3 kB view details)

Uploaded Aug 13, 2026 Python 3

File details

Details for the file itmofs_lab-0.1.1.tar.gz.

File metadata

Download URL: itmofs_lab-0.1.1.tar.gz
Upload date: Aug 13, 2026
Size: 50.8 kB
Tags: Source
Uploaded using Trusted Publishing? No
Uploaded via: twine/7.0.0 CPython/3.13.13

File hashes

Hashes for itmofs_lab-0.1.1.tar.gz
Algorithm	Hash digest
SHA256	`7e1402d8b2bfacf9855dd2b4ad0d53248e7e3693e350ea70291cc0357fc63ffc`
MD5	`16c71fa927741d8f0a9ae20da4086acf`
BLAKE2b-256	`3562346623876c4f9822d00024f848023a6e3f65e187f20d7cb7e9b513cf257c`

See more details on using hashes here.

File details

Details for the file itmofs_lab-0.1.1-py3-none-any.whl.

File metadata

Download URL: itmofs_lab-0.1.1-py3-none-any.whl
Upload date: Aug 13, 2026
Size: 76.3 kB
Tags: Python 3
Uploaded using Trusted Publishing? No
Uploaded via: twine/7.0.0 CPython/3.13.13

File hashes

Hashes for itmofs_lab-0.1.1-py3-none-any.whl
Algorithm	Hash digest
SHA256	`ef1d8bba5a0e749e0d217cc136e91a12cedad792503f85398c79b9b197dec0dc`
MD5	`9e6d028cf23b90f27f38d6082149f324`
BLAKE2b-256	`d6e60924f98456d6bd336330aca6794f3f2e5bfd12d3309e56c682261ea9baf2`

See more details on using hashes here.

Release history Release notifications | RSS feed

0.1.2

Aug 13, 2026

This release

0.1.1

Aug 13, 2026

0.1.0

Aug 13, 2026

itmofs-lab 0.1.1

itmofs-lab

Por que existe

Instalação

Uso em 30 segundos

Comando de ajuda: o que entra e o que sai

Um arquivo por método

Regra científica: anti-leakage

📚 Documentação completa dos métodos

🔹 Filtros univariados

VDM — Value Difference Metric · ⚪ componente de apoio

anova — ANOVA F-test · 🟢 OK

chi2_measure — Chi-squared · 🟢 OK

f_ratio_measure — F-ratio (Fisher score) · 🟢 OK

fechner_corr — Fechner correlation · 🟢 OK

fit_criterion_measure — Fit Criterion · 🔴 indisponível (bug 0.3.3)

gini_index — Gini index · 🟢 OK

information_gain — Information gain · 🟢 OK

kendall_corr — Kendall correlation · 🟢 OK

laplacian_score — Laplacian score · 🟢 OK

pearson_corr — Pearson correlation · 🟢 OK

qpfs_filter — QPFS · 🟠 dependência ausente

reliefF_measure — ReliefF · 🟢 OK

spearman_corr — Spearman correlation · 🟢 OK

su_measure — Symmetric Uncertainty · 🟢 OK

🔸 Filtros multivariados

CFR — CFR · 🟢 OK

CIFE — CIFE · 🟢 OK

CMIM — CMIM · 🟢 OK

DCSF — DCSF · 🟢 OK

DISRWithMassive — DISR with Massive · 🟢 OK

FCBFDiscreteFilter — FCBF (discrete) · 🟢 OK

ICAP — ICAP · 🟢 OK

IWFS — IWFS · 🟢 OK

JMI — Joint Mutual Information · 🟢 OK

MIFS — MIFS · 🟢 OK

MIM — Mutual Information Maximization · 🟢 OK

MIMAGA — MIMAGA · 🔴 indisponível (bug 0.3.3)

MRI — MRI · 🟢 OK

MRMR — mRMR · 🟢 OK

STIR — STIR · 🟢 OK

TraceRatioFisher — Trace Ratio (Fisher) · 🟢 OK

generalizedCriteria — Generalized Criteria · 🟢 OK

🌐 Filtros esparsos

MCFS — MCFS · 🟢 OK (adaptador)

NDFS — NDFS · 🟢 OK (adaptador)

RFS — RFS · 🟢 OK (adaptador)

SPEC — SPEC · 🟢 OK (adaptador)

UDFS — UDFS · 🟢 OK (adaptador)

🧩 Filtros não supervisionados

TraceRatioLaplacian — Trace Ratio (Laplacian) · 🟢 OK (adaptador)

🧠 Ensemble — baseado em medidas (WeightBased)

WeightBased — WeightBased · 🟢 OK

🧠 Ensemble — baseado em rankings (Mixed)

Mixed — Mixed · 🟢 OK

🧠 Ensemble — baseado em modelos (BestSum)

BestSum — BestSum · 🟢 OK (adaptador)

🔗 Híbridos

FilterWrapperHybrid — Filter+Wrapper Hybrid · 🔴 indisponível (bug 0.3.3)

Melif — Melif · 🟢 OK

🌱 Embedded

MOS — MOS / MOSS / MOSNS · 🟢 OK

🎁 Wrappers

AddDelWrapper — Add-Del Wrapper · 🔴 indisponível (bug 0.3.3)

BackwardSelection — Backward Selection · 🟢 OK

HillClimbingWrapper — Hill Climbing · 🔴 indisponível (bug 0.3.3)

RecursiveElimination — Recursive Elimination · 🔴 indisponível (bug 0.3.3)

SequentialForwardSelection — Sequential Forward Selection · 🟢 OK

SimulatedAnnealing — Simulated Annealing · 🔴 vazamento por design

TPhMGWO — Two-Phase Mutation GWO · 🔴 indisponível (bug 0.3.3)

🧪 Compatibilidade e honestidade

🔬 Sobre o projeto

📖 Documentação em site

📌 Como citar

👤 Autor

📝 Licença

Project links

Key dates

1 maintainer

Credits

`VDM` — Value Difference Metric · ⚪ componente de apoio

`anova` — ANOVA F-test · 🟢 OK

`chi2_measure` — Chi-squared · 🟢 OK

`f_ratio_measure` — F-ratio (Fisher score) · 🟢 OK

`fechner_corr` — Fechner correlation · 🟢 OK

`fit_criterion_measure` — Fit Criterion · 🔴 indisponível (bug 0.3.3)

`gini_index` — Gini index · 🟢 OK

`information_gain` — Information gain · 🟢 OK

`kendall_corr` — Kendall correlation · 🟢 OK

`laplacian_score` — Laplacian score · 🟢 OK

`pearson_corr` — Pearson correlation · 🟢 OK

`qpfs_filter` — QPFS · 🟠 dependência ausente

`reliefF_measure` — ReliefF · 🟢 OK

`spearman_corr` — Spearman correlation · 🟢 OK

`su_measure` — Symmetric Uncertainty · 🟢 OK

`CFR` — CFR · 🟢 OK

`CIFE` — CIFE · 🟢 OK

`CMIM` — CMIM · 🟢 OK

`DCSF` — DCSF · 🟢 OK

`DISRWithMassive` — DISR with Massive · 🟢 OK

`FCBFDiscreteFilter` — FCBF (discrete) · 🟢 OK

`ICAP` — ICAP · 🟢 OK

`IWFS` — IWFS · 🟢 OK

`JMI` — Joint Mutual Information · 🟢 OK

`MIFS` — MIFS · 🟢 OK

`MIM` — Mutual Information Maximization · 🟢 OK

`MIMAGA` — MIMAGA · 🔴 indisponível (bug 0.3.3)

`MRI` — MRI · 🟢 OK

`MRMR` — mRMR · 🟢 OK

`STIR` — STIR · 🟢 OK

`TraceRatioFisher` — Trace Ratio (Fisher) · 🟢 OK

`generalizedCriteria` — Generalized Criteria · 🟢 OK

`MCFS` — MCFS · 🟢 OK (adaptador)

`NDFS` — NDFS · 🟢 OK (adaptador)

`RFS` — RFS · 🟢 OK (adaptador)

`SPEC` — SPEC · 🟢 OK (adaptador)

`UDFS` — UDFS · 🟢 OK (adaptador)

`TraceRatioLaplacian` — Trace Ratio (Laplacian) · 🟢 OK (adaptador)

`WeightBased` — WeightBased · 🟢 OK

`Mixed` — Mixed · 🟢 OK

`BestSum` — BestSum · 🟢 OK (adaptador)

`FilterWrapperHybrid` — Filter+Wrapper Hybrid · 🔴 indisponível (bug 0.3.3)

`Melif` — Melif · 🟢 OK

`MOS` — MOS / MOSS / MOSNS · 🟢 OK

`AddDelWrapper` — Add-Del Wrapper · 🔴 indisponível (bug 0.3.3)

`BackwardSelection` — Backward Selection · 🟢 OK

`HillClimbingWrapper` — Hill Climbing · 🔴 indisponível (bug 0.3.3)

`RecursiveElimination` — Recursive Elimination · 🔴 indisponível (bug 0.3.3)

`SequentialForwardSelection` — Sequential Forward Selection · 🟢 OK

`SimulatedAnnealing` — Simulated Annealing · 🔴 vazamento por design

`TPhMGWO` — Two-Phase Mutation GWO · 🔴 indisponível (bug 0.3.3)