mrmr

高维数据下自动选特征，去冗余提精度

mRMR 是一个用于大规模自动特征选择的 Python 库，实现了最小冗余最大相关性（minimum-Redundancy-Maximum-Relevance）算法。该算法通过同时最大化特征与目标变量的相关性，并最小化特征之间的冗余性，来筛选出最具代表性的特征子集。mRMR 特别适用于高维数据集，如基因表达谱、文本分类和图像识别等场景，能有效缓解维度灾难，提升模型训练效率和预测性能。项目提供了简洁的 API，支持多种数据格式，并针对大规模数据进行了优化，能够处理数十万维的特征空间。其核心能力包括快速计算特征相关性、自动确定特征数量、支持分类与回归任务，并提供了与 scikit-learn 兼容的接口，方便集成到现有机器学习流程中。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 630

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队smazzanti

所属国家

官网地址

GitHubhttps://github.com/smazzanti/mrmr

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型data-science,feature-selection,machine-learning,mlops

GitHub 星标★ 630

30天Star增速

HF 下载量

上线时间2021-04-16 00:00:00

最近更新2026-09-11 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

实现经典 mRMR 算法，特征选择理论扎实，适合高维数据
针对大规模数据优化，能处理数十万维特征
提供与 scikit-learn 兼容的接口，易于集成到现有流程

不足之处

文档相对简略，示例和最佳实践不够丰富
社区活跃度一般，更新频率可能较慢

适用场景

基因表达谱等生物信息学高维特征选择
文本分类中的特征降维
图像识别前的高维特征预处理

替代项目

scikit-learn 的 SelectKBest、Featuretools、Boruta

项目介绍

mrmr 是模型训练领域的开源项目，由 smazzanti 开发，2021 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 630。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-11。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：基因表达谱等生物信息学高维特征选择。同类可对比的替代方案包括 scikit-learn 的 SelectKBest、Featuretools、Boruta。

上一篇：CICD-for-Machine-Learning

下一篇：benderopt