Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Bach, Jakob",
2
  "author": "Bach, Jakob",
            
3
  "author_email": "",
3
  "author_email": "",
            
n
n
4
  "citation": [],
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
5
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1345",
6
  "doi": "10.35097/1345",
            
6
  "doi_date_published": "2023",
7
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
8
  "doi_publisher": "",
            
8
  "doi_status": "True",
9
  "doi_status": "True",
            
9
  "extra_authors": [
10
  "extra_authors": [
            
10
    {
11
    {
            
11
      "extra_author": "Zoller, Kolja",
12
      "extra_author": "Zoller, Kolja",
            
n
n
13
      "familyName": "Zoller",
            
14
      "givenName": "Kolja",
            
12
      "orcid": ""
15
      "orcid": ""
            
13
    },
16
    },
            
14
    {
17
    {
            
15
      "extra_author": "Schulz, Katrin",
18
      "extra_author": "Schulz, Katrin",
            
n
n
19
      "familyName": "Schulz",
            
20
      "givenName": "Katrin",
            
16
      "orcid": ""
21
      "orcid": ""
            
17
    }
22
    }
            
18
  ],
23
  ],
            
n
n
24
  "familyName": "Bach",
            
25
  "givenName": "Jakob",
            
19
  "groups": [],
26
  "groups": [],
            
20
  "id": "8a78f8b2-4c06-4c34-aa60-f1d9d3ce8471",
27
  "id": "8a78f8b2-4c06-4c34-aa60-f1d9d3ce8471",
            
21
  "isopen": false,
28
  "isopen": false,
            
22
  "license_id": "CC BY 4.0 Attribution",
29
  "license_id": "CC BY 4.0 Attribution",
            
23
  "license_title": "CC BY 4.0 Attribution",
30
  "license_title": "CC BY 4.0 Attribution",
            
24
  "metadata_created": "2023-08-04T08:50:34.911600",
31
  "metadata_created": "2023-08-04T08:50:34.911600",
            
n
25
  "metadata_modified": "2023-08-04T09:29:05.791207",
n
32
  "metadata_modified": "2024-11-28T13:16:49.228983",
            
26
  "name": "rdr-doi-10-35097-1345",
33
  "name": "rdr-doi-10-35097-1345",
            
27
  "notes": "Abstract: These are the experimental data for the 
34
  "notes": "Abstract: These are the experimental data for the 
            
28
paper\r\n\r\n> Bach, Jakob, et al. \"An Empirical Evaluation of 
35
paper\r\n\r\n> Bach, Jakob, et al. \"An Empirical Evaluation of 
            
29
Constrained Feature Selection\"\r\n\r\npublished at the journal [*SN 
36
Constrained Feature Selection\"\r\n\r\npublished at the journal [*SN 
            
30
Computer Science*](https://www.springer.com/journal/42979).\r\nYou can 
37
Computer Science*](https://www.springer.com/journal/42979).\r\nYou can 
            
31
find the paper [here](https://doi.org/10.1007/s42979-022-01338-z) and 
38
find the paper [here](https://doi.org/10.1007/s42979-022-01338-z) and 
            
32
the code 
39
the code 
            
33
://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection).\r\nSee 
40
://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection).\r\nSee 
            
34
the `README` for details.\r\n\r\nSome of the datasets used in our 
41
the `README` for details.\r\n\r\nSome of the datasets used in our 
            
35
study (which we also provide here) originate from 
42
study (which we also provide here) originate from 
            
36
[OpenML](https://www.openml.org) and are CC-BY-licensed.\r\nPlease see 
43
[OpenML](https://www.openml.org) and are CC-BY-licensed.\r\nPlease see 
            
37
the paragraph `Licensing` in the `README` for details, e.g., on the 
44
the paragraph `Licensing` in the `README` for details, e.g., on the 
            
38
authors of these datasets.\r\nTechnicalRemarks: # Experimental Data 
45
authors of these datasets.\r\nTechnicalRemarks: # Experimental Data 
            
39
for the Paper \"An Empirical Evaluation of Constrained Feature 
46
for the Paper \"An Empirical Evaluation of Constrained Feature 
            
40
Selection\"\r\n\r\nThese are the experimental data for the 
47
Selection\"\r\n\r\nThese are the experimental data for the 
            
41
paper\r\n\r\n> Bach, Jakob, et al. \"An Empirical Evaluation of 
48
paper\r\n\r\n> Bach, Jakob, et al. \"An Empirical Evaluation of 
            
42
Constrained Feature Selection\"\r\n\r\naccepted at the journal [*SN 
49
Constrained Feature Selection\"\r\n\r\naccepted at the journal [*SN 
            
43
Computer 
50
Computer 
            
44
Science*](https://www.springer.com/journal/42979).\r\n\r\nCheck our 
51
Science*](https://www.springer.com/journal/42979).\r\n\r\nCheck our 
            
45
[GitHub 
52
[GitHub 
            
46
y](https://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection) 
53
y](https://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection) 
            
47
for the code and instructions to reproduce the experiments.\r\nThe 
54
for the code and instructions to reproduce the experiments.\r\nThe 
            
48
data were obtained on a server with an `AMD EPYC 7551` 
55
data were obtained on a server with an `AMD EPYC 7551` 
            
49
[CPU](https://www.amd.com/en/products/cpu/amd-epyc-7551) (32 physical 
56
[CPU](https://www.amd.com/en/products/cpu/amd-epyc-7551) (32 physical 
            
50
cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe Python version 
57
cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe Python version 
            
51
was `3.8`.\r\nOur paper contains two studies, and we provide data for 
58
was `3.8`.\r\nOur paper contains two studies, and we provide data for 
            
52
both of them.\r\n\r\nRunning the experimental pipeline for the study 
59
both of them.\r\n\r\nRunning the experimental pipeline for the study 
            
53
with synthetic constraints (`syn_pipeline.py`) took several 
60
with synthetic constraints (`syn_pipeline.py`) took several 
            
54
hours.\r\nThe commit hash for the last run of this pipeline is 
61
hours.\r\nThe commit hash for the last run of this pipeline is 
            
55
ature-Selection/tree/acc34cf5d22b0a8427852a01288bb8b34f5d8c98).\r\nThe 
62
ature-Selection/tree/acc34cf5d22b0a8427852a01288bb8b34f5d8c98).\r\nThe 
            
56
commit hash for the last run of the corresponding evaluation 
63
commit hash for the last run of the corresponding evaluation 
            
57
(`syn_evaluation.py`) is 
64
(`syn_evaluation.py`) is 
            
58
lection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nRunning 
65
lection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nRunning 
            
59
the experimental pipeline for the case study in materials science 
66
the experimental pipeline for the case study in materials science 
            
60
(`ms_pipeline.py`) took less than one hour.\r\nThe commit hash for the 
67
(`ms_pipeline.py`) took less than one hour.\r\nThe commit hash for the 
            
61
last run of this pipeline is 
68
last run of this pipeline is 
            
62
ature-Selection/tree/ba30bf9f11703e2a8a942425e2cd4b9f36ead513).\r\nThe 
69
ature-Selection/tree/ba30bf9f11703e2a8a942425e2cd4b9f36ead513).\r\nThe 
            
63
commit hash for the last run of the corresponding evaluation 
70
commit hash for the last run of the corresponding evaluation 
            
64
(`ms_evaluation.py`) is 
71
(`ms_evaluation.py`) is 
            
65
e-Selection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nAll 
72
e-Selection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nAll 
            
66
these commits are also tagged.\r\n\r\nIn the following, we describe 
73
these commits are also tagged.\r\n\r\nIn the following, we describe 
            
67
the structure/content of each data file.\r\nAll files are plain CSVs, 
74
the structure/content of each data file.\r\nAll files are plain CSVs, 
            
68
so you can read them with `pandas.read_csv()`.\r\n\r\n## 
75
so you can read them with `pandas.read_csv()`.\r\n\r\n## 
            
69
`ms/`\r\n\r\nThe input data for the case study in materials science 
76
`ms/`\r\n\r\nThe input data for the case study in materials science 
            
70
(`ms_pipeline.py`).\r\nOutput of the script 
77
(`ms_pipeline.py`).\r\nOutput of the script 
            
71
`prepare_ms_dataset.py`.\r\nAs the raw simulation dataset is quite 
78
`prepare_ms_dataset.py`.\r\nAs the raw simulation dataset is quite 
            
72
large, we only provide a pre-processed version of it\r\n(we do not 
79
large, we only provide a pre-processed version of it\r\n(we do not 
            
73
provide the input to `prepare_ms_dataset.py`).\r\nIn this 
80
provide the input to `prepare_ms_dataset.py`).\r\nIn this 
            
74
pre-processed version, the feature and target parts of the data are 
81
pre-processed version, the feature and target parts of the data are 
            
75
already separated into two files: `voxel_data_predict_glissile_X.csv` 
82
already separated into two files: `voxel_data_predict_glissile_X.csv` 
            
76
and `voxel_data_predict_glissile_y.csv`.\r\nIn 
83
and `voxel_data_predict_glissile_y.csv`.\r\nIn 
            
77
`voxel_data_predict_glissile_X.csv`, each column is a numeric 
84
`voxel_data_predict_glissile_X.csv`, each column is a numeric 
            
78
feature.\r\n`voxel_data_predict_glissile_y.csv` only contains one 
85
feature.\r\n`voxel_data_predict_glissile_y.csv` only contains one 
            
79
column, the numeric prediction target (reaction density of glissile 
86
column, the numeric prediction target (reaction density of glissile 
            
80
reactions).\r\n\r\n## `ms-results/`\r\n\r\nOnly contains one result 
87
reactions).\r\n\r\n## `ms-results/`\r\n\r\nOnly contains one result 
            
81
file (`results.csv`) for the case study in materials 
88
file (`results.csv`) for the case study in materials 
            
82
science.\r\nOutput of the script `ms_pipeline.py`, input to the script 
89
science.\r\nOutput of the script `ms_pipeline.py`, input to the script 
            
83
`ms_evaluation.py`.\r\nThe columns of the file mostly correspond to 
90
`ms_evaluation.py`.\r\nThe columns of the file mostly correspond to 
            
84
evaluation metrics used in the paper;\r\nsee Appendix A.1 for 
91
evaluation metrics used in the paper;\r\nsee Appendix A.1 for 
            
85
definitions of the latter.\r\n\r\n- `objective_value` (float): 
92
definitions of the latter.\r\n\r\n- `objective_value` (float): 
            
86
Objective `Q(s, X, y)`, the sum of the qualities of the selected 
93
Objective `Q(s, X, y)`, the sum of the qualities of the selected 
            
87
features.\r\n- `num_selected` (int): `n_{se}`, the number of selected 
94
features.\r\n- `num_selected` (int): `n_{se}`, the number of selected 
            
88
features.\r\n- `selected` (string, but actually a list of strings): 
95
features.\r\n- `selected` (string, but actually a list of strings): 
            
89
Names of the selected features.\r\n- `num_variables` (int): `n`, the 
96
Names of the selected features.\r\n- `num_variables` (int): `n`, the 
            
90
total number of features in the dataset.\r\n- 
97
total number of features in the dataset.\r\n- 
            
91
`num_constrained_variables` (int): `n_{cf}`, the number of features 
98
`num_constrained_variables` (int): `n_{cf}`, the number of features 
            
92
involved in constraints.\r\n- `num_unique_constrained_variables` 
99
involved in constraints.\r\n- `num_unique_constrained_variables` 
            
93
(int): `n_{ucf}`, the number of unique features involved in 
100
(int): `n_{ucf}`, the number of unique features involved in 
            
94
constraints.\r\n- `num_constraints` (int): `n_{co}`, the number of 
101
constraints.\r\n- `num_constraints` (int): `n_{co}`, the number of 
            
95
constraints.\r\n- `frac_solutions` (float): `n_{so}^{norm}`, the 
102
constraints.\r\n- `frac_solutions` (float): `n_{so}^{norm}`, the 
            
96
number of valid (regarding constraints) feature sets relative to the 
103
number of valid (regarding constraints) feature sets relative to the 
            
97
total number of feature sets.\r\n- `linear-regression_train_r2` 
104
total number of feature sets.\r\n- `linear-regression_train_r2` 
            
98
(float): `R^2` (coefficient of determination) for linear-regression 
105
(float): `R^2` (coefficient of determination) for linear-regression 
            
99
models, trained with the selected features, predicting on the training 
106
models, trained with the selected features, predicting on the training 
            
100
set.\r\n- `linear-regression_test_r2` (float): `R^2` (coefficient of 
107
set.\r\n- `linear-regression_test_r2` (float): `R^2` (coefficient of 
            
101
determination) for linear-regression models, trained with the selected 
108
determination) for linear-regression models, trained with the selected 
            
102
features, predicting on the test set.\r\n- `regression-tree_train_r2` 
109
features, predicting on the test set.\r\n- `regression-tree_train_r2` 
            
103
(float): `R^2` (coefficient of determination) for regression-tree 
110
(float): `R^2` (coefficient of determination) for regression-tree 
            
104
models, trained with the selected features, predicting on the training 
111
models, trained with the selected features, predicting on the training 
            
105
set.\r\n- `regression-tree_test_r2` (float): `R^2` (coefficient of 
112
set.\r\n- `regression-tree_test_r2` (float): `R^2` (coefficient of 
            
106
determination) for regression-tree models, trained with the selected 
113
determination) for regression-tree models, trained with the selected 
            
107
features, predicting on the test set.\r\n- `xgb-linear_train_r2` 
114
features, predicting on the test set.\r\n- `xgb-linear_train_r2` 
            
108
(float): `R^2` (coefficient of determination) for linear XGBoost 
115
(float): `R^2` (coefficient of determination) for linear XGBoost 
            
109
models, trained with the selected features, predicting on the training 
116
models, trained with the selected features, predicting on the training 
            
110
set.\r\n- `xgb-linear_test_r2` (float): `R^2` (coefficient of 
117
set.\r\n- `xgb-linear_test_r2` (float): `R^2` (coefficient of 
            
111
determination) for linear XGBoost models, trained with the selected 
118
determination) for linear XGBoost models, trained with the selected 
            
112
features, predicting on the test set.\r\n- `xgb-tree_train_r2` 
119
features, predicting on the test set.\r\n- `xgb-tree_train_r2` 
            
113
(float): `R^2` (coefficient of determination) for tree-based XGBoost 
120
(float): `R^2` (coefficient of determination) for tree-based XGBoost 
            
114
models, trained with the selected features, predicting on the training 
121
models, trained with the selected features, predicting on the training 
            
115
set.\r\n- `xgb-tree_test_r2` (float): `R^2` (coefficient of 
122
set.\r\n- `xgb-tree_test_r2` (float): `R^2` (coefficient of 
            
116
determination) for tree-based XGBoost models, trained with the 
123
determination) for tree-based XGBoost models, trained with the 
            
117
selected features, predicting on the test set.\r\n- `evaluation_time` 
124
selected features, predicting on the test set.\r\n- `evaluation_time` 
            
118
(float): Runtime (in s) for evaluating one set of constraints.\r\n- 
125
(float): Runtime (in s) for evaluating one set of constraints.\r\n- 
            
119
`split_idx` (int): Index of the cross-validation fold.\r\n- 
126
`split_idx` (int): Index of the cross-validation fold.\r\n- 
            
120
`quality_name` (string): Measure for feature quality (absolute 
127
`quality_name` (string): Measure for feature quality (absolute 
            
121
correlation or mutual information).\r\n- `constraint_name` (string): 
128
correlation or mutual information).\r\n- `constraint_name` (string): 
            
122
Name of the constraint type (see paper).\r\n- `dataset_name` (string): 
129
Name of the constraint type (see paper).\r\n- `dataset_name` (string): 
            
123
Name of the dataset.\r\n\r\n## `openml/`\r\n\r\nThe input data for the 
130
Name of the dataset.\r\n\r\n## `openml/`\r\n\r\nThe input data for the 
            
124
study with synthetic constraints (`syn_pipeline.py`).\r\nOutput of the 
131
study with synthetic constraints (`syn_pipeline.py`).\r\nOutput of the 
            
125
script `prepare_openml_datasets.py`.\r\nWe downloaded 35 datasets from 
132
script `prepare_openml_datasets.py`.\r\nWe downloaded 35 datasets from 
            
126
[OpenML](https://www.openml.org) and removed non-numeric 
133
[OpenML](https://www.openml.org) and removed non-numeric 
            
127
columns.\r\nAlso, we separated the feature part (`*_X.csv`) and the 
134
columns.\r\nAlso, we separated the feature part (`*_X.csv`) and the 
            
128
target part (`*_y.csv`) of each dataset.\r\n`_data_overview.csv` 
135
target part (`*_y.csv`) of each dataset.\r\n`_data_overview.csv` 
            
129
contains meta-data for the datasets, including dataset id, dataset 
136
contains meta-data for the datasets, including dataset id, dataset 
            
130
version, and uploader.\r\n\r\n**Licensing**\r\n\r\nPlease consult each 
137
version, and uploader.\r\n\r\n**Licensing**\r\n\r\nPlease consult each 
            
131
dataset's website on [OpenML](https://www.openml.org) for licensing 
138
dataset's website on [OpenML](https://www.openml.org) for licensing 
            
132
information and citation requests.\r\nAccording to OpenML's 
139
information and citation requests.\r\nAccording to OpenML's 
            
133
[terms](https://www.openml.org/terms), OpenML datasets fall under the 
140
[terms](https://www.openml.org/terms), OpenML datasets fall under the 
            
134
[CC-BY](https://creativecommons.org/licenses/by/4.0/) license.\r\nThe 
141
[CC-BY](https://creativecommons.org/licenses/by/4.0/) license.\r\nThe 
            
135
datasets used in our study were uploaded by:\r\n\r\n- Jan van Rijn 
142
datasets used in our study were uploaded by:\r\n\r\n- Jan van Rijn 
            
136
(user id: 1)\r\n- Joaquin Vanschoren (user id: 2)\r\n- Rafael Gomes 
143
(user id: 1)\r\n- Joaquin Vanschoren (user id: 2)\r\n- Rafael Gomes 
            
137
Mantovani (user id: 64)\r\n- Tobias Kuehn (user id: 94)\r\n- Richard 
144
Mantovani (user id: 64)\r\n- Tobias Kuehn (user id: 94)\r\n- Richard 
            
138
Ooms (user id: 8684)\r\n- R P (user id: 15317)\r\n\r\nSee 
145
Ooms (user id: 8684)\r\n- R P (user id: 15317)\r\n\r\nSee 
            
139
`_data_overview.csv` to match each dataset to its uploader.\r\n\r\n## 
146
`_data_overview.csv` to match each dataset to its uploader.\r\n\r\n## 
            
140
`openml-results/`\r\n\r\nResult files for the study with synthetic 
147
`openml-results/`\r\n\r\nResult files for the study with synthetic 
            
141
constraints.\r\nOutput of the script `syn_pipeline.py`, input to the 
148
constraints.\r\nOutput of the script `syn_pipeline.py`, input to the 
            
142
script `syn_evaluation.py`.\r\nOne result file for each combination of 
149
script `syn_evaluation.py`.\r\nOne result file for each combination of 
            
143
the 10 constraint generators and the 35 datasets, plus one overall 
150
the 10 constraint generators and the 35 datasets, plus one overall 
            
144
(merged) file, `results.csv`.\r\nThe columns of the result files are 
151
(merged) file, `results.csv`.\r\nThe columns of the result files are 
            
145
the those of `ms-results/results.csv`, minus `selected` and 
152
the those of `ms-results/results.csv`, minus `selected` and 
            
146
`evaluation_time`;\r\nsee above for detailed descriptions.",
153
`evaluation_time`;\r\nsee above for detailed descriptions.",
            
147
  "num_resources": 0,
154
  "num_resources": 0,
            
148
  "num_tags": 4,
155
  "num_tags": 4,
            
149
  "orcid": "0000-0003-0301-2798",
156
  "orcid": "0000-0003-0301-2798",
            
150
  "organization": {
157
  "organization": {
            
151
    "approval_status": "approved",
158
    "approval_status": "approved",
            
152
    "created": "2023-01-12T13:30:23.238233",
159
    "created": "2023-01-12T13:30:23.238233",
            
153
    "description": "RADAR (Research Data Repository) is a 
160
    "description": "RADAR (Research Data Repository) is a 
            
154
cross-disciplinary repository for archiving and publishing research 
161
cross-disciplinary repository for archiving and publishing research 
            
155
data from completed scientific studies and projects. The focus is on 
162
data from completed scientific studies and projects. The focus is on 
            
156
research data from subjects that do not yet have their own 
163
research data from subjects that do not yet have their own 
            
157
discipline-specific infrastructures for research data management. ",
164
discipline-specific infrastructures for research data management. ",
            
158
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
165
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
159
    "image_url": "radar-logo.svg",
166
    "image_url": "radar-logo.svg",
            
160
    "is_organization": true,
167
    "is_organization": true,
            
161
    "name": "radar",
168
    "name": "radar",
            
162
    "state": "active",
169
    "state": "active",
            
163
    "title": "RADAR",
170
    "title": "RADAR",
            
164
    "type": "organization"
171
    "type": "organization"
            
165
  },
172
  },
            
166
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
173
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
167
  "private": false,
174
  "private": false,
            
168
  "production_year": "2021",
175
  "production_year": "2021",
            
169
  "publication_year": "2023",
176
  "publication_year": "2023",
            
170
  "publishers": [
177
  "publishers": [
            
171
    {
178
    {
            
172
      "publisher": "Karlsruhe Institute of Technology"
179
      "publisher": "Karlsruhe Institute of Technology"
            
173
    }
180
    }
            
174
  ],
181
  ],
            
t
t
182
  "related_identifiers": [
            
183
    {
            
184
      "identifier": 
            
185
"https://publikationen.bibliothek.kit.edu/1000148891",
            
186
      "identifier_type": "URL",
            
187
      "relation_type": "IsIdenticalTo"
            
188
    }
            
189
  ],
            
175
  "relationships_as_object": [],
190
  "relationships_as_object": [],
            
176
  "relationships_as_subject": [],
191
  "relationships_as_subject": [],
            
177
  "repository_name": "RADAR (Research Data Repository)",
192
  "repository_name": "RADAR (Research Data Repository)",
            
178
  "resources": [],
193
  "resources": [],
            
179
  "services_used_list": "",
194
  "services_used_list": "",
            
180
  "source_metadata_created": "2023",
195
  "source_metadata_created": "2023",
            
181
  "source_metadata_modified": "",
196
  "source_metadata_modified": "",
            
182
  "state": "active",
197
  "state": "active",
            
183
  "subject_areas": [
198
  "subject_areas": [
            
184
    {
199
    {
            
185
      "subject_area_additional": "",
200
      "subject_area_additional": "",
            
186
      "subject_area_name": "Computer Science"
201
      "subject_area_name": "Computer Science"
            
187
    }
202
    }
            
188
  ],
203
  ],
            
189
  "tags": [
204
  "tags": [
            
190
    {
205
    {
            
191
      "display_name": "Constraints",
206
      "display_name": "Constraints",
            
192
      "id": "fa3d947e-eff8-42bd-953b-4f77336f1a66",
207
      "id": "fa3d947e-eff8-42bd-953b-4f77336f1a66",
            
193
      "name": "Constraints",
208
      "name": "Constraints",
            
194
      "state": "active",
209
      "state": "active",
            
195
      "vocabulary_id": null
210
      "vocabulary_id": null
            
196
    },
211
    },
            
197
    {
212
    {
            
198
      "display_name": "Domain knowledge",
213
      "display_name": "Domain knowledge",
            
199
      "id": "6f0a4c92-efd1-44a7-ba68-522c71b504c5",
214
      "id": "6f0a4c92-efd1-44a7-ba68-522c71b504c5",
            
200
      "name": "Domain knowledge",
215
      "name": "Domain knowledge",
            
201
      "state": "active",
216
      "state": "active",
            
202
      "vocabulary_id": null
217
      "vocabulary_id": null
            
203
    },
218
    },
            
204
    {
219
    {
            
205
      "display_name": "Feature selection",
220
      "display_name": "Feature selection",
            
206
      "id": "29a81ebe-698a-43e0-97bb-b4361d1f9d29",
221
      "id": "29a81ebe-698a-43e0-97bb-b4361d1f9d29",
            
207
      "name": "Feature selection",
222
      "name": "Feature selection",
            
208
      "state": "active",
223
      "state": "active",
            
209
      "vocabulary_id": null
224
      "vocabulary_id": null
            
210
    },
225
    },
            
211
    {
226
    {
            
212
      "display_name": "Theory-guided data science",
227
      "display_name": "Theory-guided data science",
            
213
      "id": "0ee4c6b8-29e1-4304-9112-2aef37a5b8b8",
228
      "id": "0ee4c6b8-29e1-4304-9112-2aef37a5b8b8",
            
214
      "name": "Theory-guided data science",
229
      "name": "Theory-guided data science",
            
215
      "state": "active",
230
      "state": "active",
            
216
      "vocabulary_id": null
231
      "vocabulary_id": null
            
217
    }
232
    }
            
218
  ],
233
  ],
            
219
  "title": "Experimental data for the paper ''an empirical evaluation 
234
  "title": "Experimental data for the paper ''an empirical evaluation 
            
220
of constrained feature selection\"",
235
of constrained feature selection\"",
            
221
  "type": "vdataset",
236
  "type": "vdataset",
            
222
  "url": "https://doi.org/10.35097/1345"
237
  "url": "https://doi.org/10.35097/1345"
            
223
}
238
}