mRMR选择了10个特征，但准确率仅达到89%。 Featurewiz-Polars能够以更精简的特征集实现更高的模型性能，同时提高泛化能力并降低模型复杂度。 加州房价 ...

MRMR筛选的性状组合（如株高PHI、生物量BIO）具有最佳泛化能力。 【Phenotypic and genotypic features】 多组学整合使NET预测性能进一步提升（测试集R 2 达0.9964），显著优于单一数据类型（p. 0.0001）。Friedman检验证实NET-MRMR组合在MAE、RMSE指标上具有统计学优势。 【Discussion】 ...

来自中国多中心的研究团队通过68ga-psma pet/ct影像组学结合机器学习，开发出预测前列腺癌isup分级的非侵入性模型。研究纳入415例患者，采用mrmr和lasso算法筛选特征，构建的模型训练组auc达0.868，整合suvmax和psa后提升至0.892，为临床精准诊疗提供新策略。