Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Bach, Jakob",
2
  "author": "Bach, Jakob",
            
3
  "author_email": "",
3
  "author_email": "",
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1345",
5
  "doi": "10.35097/1345",
            
6
  "doi_date_published": "2023",
6
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
7
  "doi_publisher": "",
            
8
  "doi_status": "True",
8
  "doi_status": "True",
            
9
  "extra_authors": [
9
  "extra_authors": [
            
10
    {
10
    {
            
11
      "extra_author": "Zoller, Kolja",
11
      "extra_author": "Zoller, Kolja",
            
12
      "orcid": ""
12
      "orcid": ""
            
13
    },
13
    },
            
14
    {
14
    {
            
15
      "extra_author": "Schulz, Katrin",
15
      "extra_author": "Schulz, Katrin",
            
16
      "orcid": ""
16
      "orcid": ""
            
17
    }
17
    }
            
18
  ],
18
  ],
            
19
  "groups": [],
19
  "groups": [],
            
20
  "id": "8a78f8b2-4c06-4c34-aa60-f1d9d3ce8471",
20
  "id": "8a78f8b2-4c06-4c34-aa60-f1d9d3ce8471",
            
21
  "isopen": false,
21
  "isopen": false,
            
22
  "license_id": "CC BY 4.0 Attribution",
22
  "license_id": "CC BY 4.0 Attribution",
            
23
  "license_title": "CC BY 4.0 Attribution",
23
  "license_title": "CC BY 4.0 Attribution",
            
24
  "metadata_created": "2023-08-04T08:50:34.911600",
24
  "metadata_created": "2023-08-04T08:50:34.911600",
            
t
25
  "metadata_modified": "2023-08-04T09:04:12.204420",
t
25
  "metadata_modified": "2023-08-04T09:29:05.791207",
            
26
  "name": "rdr-doi-10-35097-1345",
26
  "name": "rdr-doi-10-35097-1345",
            
27
  "notes": "Abstract: These are the experimental data for the 
27
  "notes": "Abstract: These are the experimental data for the 
            
28
paper\r\n\r\n> Bach, Jakob, et al. \"An Empirical Evaluation of 
28
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 
29
Constrained Feature Selection\"\r\n\r\npublished at the journal [*SN 
            
30
Computer Science*](https://www.springer.com/journal/42979).\r\nYou can 
30
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 
31
find the paper [here](https://doi.org/10.1007/s42979-022-01338-z) and 
            
32
the code 
32
the code 
            
33
://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection).\r\nSee 
33
://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 
34
the `README` for details.\r\n\r\nSome of the datasets used in our 
            
35
study (which we also provide here) originate from 
35
study (which we also provide here) originate from 
            
36
[OpenML](https://www.openml.org) and are CC-BY-licensed.\r\nPlease see 
36
[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 
37
the paragraph `Licensing` in the `README` for details, e.g., on the 
            
38
authors of these datasets.\r\nTechnicalRemarks: # Experimental Data 
38
authors of these datasets.\r\nTechnicalRemarks: # Experimental Data 
            
39
for the Paper \"An Empirical Evaluation of Constrained Feature 
39
for the Paper \"An Empirical Evaluation of Constrained Feature 
            
40
Selection\"\r\n\r\nThese are the experimental data for the 
40
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 
41
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 
42
Constrained Feature Selection\"\r\n\r\naccepted at the journal [*SN 
            
43
Computer 
43
Computer 
            
44
Science*](https://www.springer.com/journal/42979).\r\n\r\nCheck our 
44
Science*](https://www.springer.com/journal/42979).\r\n\r\nCheck our 
            
45
[GitHub 
45
[GitHub 
            
46
y](https://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection) 
46
y](https://github.com/Jakob-Bach/Constrained-Filter-Feature-Selection) 
            
47
for the code and instructions to reproduce the experiments.\r\nThe 
47
for the code and instructions to reproduce the experiments.\r\nThe 
            
48
data were obtained on a server with an `AMD EPYC 7551` 
48
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 
49
[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 
50
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 
51
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 
52
both of them.\r\n\r\nRunning the experimental pipeline for the study 
            
53
with synthetic constraints (`syn_pipeline.py`) took several 
53
with synthetic constraints (`syn_pipeline.py`) took several 
            
54
hours.\r\nThe commit hash for the last run of this pipeline is 
54
hours.\r\nThe commit hash for the last run of this pipeline is 
            
55
ature-Selection/tree/acc34cf5d22b0a8427852a01288bb8b34f5d8c98).\r\nThe 
55
ature-Selection/tree/acc34cf5d22b0a8427852a01288bb8b34f5d8c98).\r\nThe 
            
56
commit hash for the last run of the corresponding evaluation 
56
commit hash for the last run of the corresponding evaluation 
            
57
(`syn_evaluation.py`) is 
57
(`syn_evaluation.py`) is 
            
58
lection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nRunning 
58
lection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nRunning 
            
59
the experimental pipeline for the case study in materials science 
59
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 
60
(`ms_pipeline.py`) took less than one hour.\r\nThe commit hash for the 
            
61
last run of this pipeline is 
61
last run of this pipeline is 
            
62
ature-Selection/tree/ba30bf9f11703e2a8a942425e2cd4b9f36ead513).\r\nThe 
62
ature-Selection/tree/ba30bf9f11703e2a8a942425e2cd4b9f36ead513).\r\nThe 
            
63
commit hash for the last run of the corresponding evaluation 
63
commit hash for the last run of the corresponding evaluation 
            
64
(`ms_evaluation.py`) is 
64
(`ms_evaluation.py`) is 
            
65
e-Selection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nAll 
65
e-Selection/tree/c1a7e7e99e56c1a178a602596c13641d7771df0a).\r\n\r\nAll 
            
66
these commits are also tagged.\r\n\r\nIn the following, we describe 
66
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, 
67
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## 
68
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 
69
`ms/`\r\n\r\nThe input data for the case study in materials science 
            
70
(`ms_pipeline.py`).\r\nOutput of the script 
70
(`ms_pipeline.py`).\r\nOutput of the script 
            
71
`prepare_ms_dataset.py`.\r\nAs the raw simulation dataset is quite 
71
`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 
72
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 
73
provide the input to `prepare_ms_dataset.py`).\r\nIn this 
            
74
pre-processed version, the feature and target parts of the data are 
74
pre-processed version, the feature and target parts of the data are 
            
75
already separated into two files: `voxel_data_predict_glissile_X.csv` 
75
already separated into two files: `voxel_data_predict_glissile_X.csv` 
            
76
and `voxel_data_predict_glissile_y.csv`.\r\nIn 
76
and `voxel_data_predict_glissile_y.csv`.\r\nIn 
            
77
`voxel_data_predict_glissile_X.csv`, each column is a numeric 
77
`voxel_data_predict_glissile_X.csv`, each column is a numeric 
            
78
feature.\r\n`voxel_data_predict_glissile_y.csv` only contains one 
78
feature.\r\n`voxel_data_predict_glissile_y.csv` only contains one 
            
79
column, the numeric prediction target (reaction density of glissile 
79
column, the numeric prediction target (reaction density of glissile 
            
80
reactions).\r\n\r\n## `ms-results/`\r\n\r\nOnly contains one result 
80
reactions).\r\n\r\n## `ms-results/`\r\n\r\nOnly contains one result 
            
81
file (`results.csv`) for the case study in materials 
81
file (`results.csv`) for the case study in materials 
            
82
science.\r\nOutput of the script `ms_pipeline.py`, input to the script 
82
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 
83
`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 
84
evaluation metrics used in the paper;\r\nsee Appendix A.1 for 
            
85
definitions of the latter.\r\n\r\n- `objective_value` (float): 
85
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 
86
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 
87
features.\r\n- `num_selected` (int): `n_{se}`, the number of selected 
            
88
features.\r\n- `selected` (string, but actually a list of strings): 
88
features.\r\n- `selected` (string, but actually a list of strings): 
            
89
Names of the selected features.\r\n- `num_variables` (int): `n`, the 
89
Names of the selected features.\r\n- `num_variables` (int): `n`, the 
            
90
total number of features in the dataset.\r\n- 
90
total number of features in the dataset.\r\n- 
            
91
`num_constrained_variables` (int): `n_{cf}`, the number of features 
91
`num_constrained_variables` (int): `n_{cf}`, the number of features 
            
92
involved in constraints.\r\n- `num_unique_constrained_variables` 
92
involved in constraints.\r\n- `num_unique_constrained_variables` 
            
93
(int): `n_{ucf}`, the number of unique features involved in 
93
(int): `n_{ucf}`, the number of unique features involved in 
            
94
constraints.\r\n- `num_constraints` (int): `n_{co}`, the number of 
94
constraints.\r\n- `num_constraints` (int): `n_{co}`, the number of 
            
95
constraints.\r\n- `frac_solutions` (float): `n_{so}^{norm}`, the 
95
constraints.\r\n- `frac_solutions` (float): `n_{so}^{norm}`, the 
            
96
number of valid (regarding constraints) feature sets relative to the 
96
number of valid (regarding constraints) feature sets relative to the 
            
97
total number of feature sets.\r\n- `linear-regression_train_r2` 
97
total number of feature sets.\r\n- `linear-regression_train_r2` 
            
98
(float): `R^2` (coefficient of determination) for linear-regression 
98
(float): `R^2` (coefficient of determination) for linear-regression 
            
99
models, trained with the selected features, predicting on the training 
99
models, trained with the selected features, predicting on the training 
            
100
set.\r\n- `linear-regression_test_r2` (float): `R^2` (coefficient of 
100
set.\r\n- `linear-regression_test_r2` (float): `R^2` (coefficient of 
            
101
determination) for linear-regression models, trained with the selected 
101
determination) for linear-regression models, trained with the selected 
            
102
features, predicting on the test set.\r\n- `regression-tree_train_r2` 
102
features, predicting on the test set.\r\n- `regression-tree_train_r2` 
            
103
(float): `R^2` (coefficient of determination) for regression-tree 
103
(float): `R^2` (coefficient of determination) for regression-tree 
            
104
models, trained with the selected features, predicting on the training 
104
models, trained with the selected features, predicting on the training 
            
105
set.\r\n- `regression-tree_test_r2` (float): `R^2` (coefficient of 
105
set.\r\n- `regression-tree_test_r2` (float): `R^2` (coefficient of 
            
106
determination) for regression-tree models, trained with the selected 
106
determination) for regression-tree models, trained with the selected 
            
107
features, predicting on the test set.\r\n- `xgb-linear_train_r2` 
107
features, predicting on the test set.\r\n- `xgb-linear_train_r2` 
            
108
(float): `R^2` (coefficient of determination) for linear XGBoost 
108
(float): `R^2` (coefficient of determination) for linear XGBoost 
            
109
models, trained with the selected features, predicting on the training 
109
models, trained with the selected features, predicting on the training 
            
110
set.\r\n- `xgb-linear_test_r2` (float): `R^2` (coefficient of 
110
set.\r\n- `xgb-linear_test_r2` (float): `R^2` (coefficient of 
            
111
determination) for linear XGBoost models, trained with the selected 
111
determination) for linear XGBoost models, trained with the selected 
            
112
features, predicting on the test set.\r\n- `xgb-tree_train_r2` 
112
features, predicting on the test set.\r\n- `xgb-tree_train_r2` 
            
113
(float): `R^2` (coefficient of determination) for tree-based XGBoost 
113
(float): `R^2` (coefficient of determination) for tree-based XGBoost 
            
114
models, trained with the selected features, predicting on the training 
114
models, trained with the selected features, predicting on the training 
            
115
set.\r\n- `xgb-tree_test_r2` (float): `R^2` (coefficient of 
115
set.\r\n- `xgb-tree_test_r2` (float): `R^2` (coefficient of 
            
116
determination) for tree-based XGBoost models, trained with the 
116
determination) for tree-based XGBoost models, trained with the 
            
117
selected features, predicting on the test set.\r\n- `evaluation_time` 
117
selected features, predicting on the test set.\r\n- `evaluation_time` 
            
118
(float): Runtime (in s) for evaluating one set of constraints.\r\n- 
118
(float): Runtime (in s) for evaluating one set of constraints.\r\n- 
            
119
`split_idx` (int): Index of the cross-validation fold.\r\n- 
119
`split_idx` (int): Index of the cross-validation fold.\r\n- 
            
120
`quality_name` (string): Measure for feature quality (absolute 
120
`quality_name` (string): Measure for feature quality (absolute 
            
121
correlation or mutual information).\r\n- `constraint_name` (string): 
121
correlation or mutual information).\r\n- `constraint_name` (string): 
            
122
Name of the constraint type (see paper).\r\n- `dataset_name` (string): 
122
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 
123
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 
124
study with synthetic constraints (`syn_pipeline.py`).\r\nOutput of the 
            
125
script `prepare_openml_datasets.py`.\r\nWe downloaded 35 datasets from 
125
script `prepare_openml_datasets.py`.\r\nWe downloaded 35 datasets from 
            
126
[OpenML](https://www.openml.org) and removed non-numeric 
126
[OpenML](https://www.openml.org) and removed non-numeric 
            
127
columns.\r\nAlso, we separated the feature part (`*_X.csv`) and the 
127
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` 
128
target part (`*_y.csv`) of each dataset.\r\n`_data_overview.csv` 
            
129
contains meta-data for the datasets, including dataset id, dataset 
129
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 
130
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 
131
dataset's website on [OpenML](https://www.openml.org) for licensing 
            
132
information and citation requests.\r\nAccording to OpenML's 
132
information and citation requests.\r\nAccording to OpenML's 
            
133
[terms](https://www.openml.org/terms), OpenML datasets fall under the 
133
[terms](https://www.openml.org/terms), OpenML datasets fall under the 
            
134
[CC-BY](https://creativecommons.org/licenses/by/4.0/) license.\r\nThe 
134
[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 
135
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 
136
(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 
137
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 
138
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## 
139
`_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 
140
`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 
141
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 
142
script `syn_evaluation.py`.\r\nOne result file for each combination of 
            
143
the 10 constraint generators and the 35 datasets, plus one overall 
143
the 10 constraint generators and the 35 datasets, plus one overall 
            
144
(merged) file, `results.csv`.\r\nThe columns of the result files are 
144
(merged) file, `results.csv`.\r\nThe columns of the result files are 
            
145
the those of `ms-results/results.csv`, minus `selected` and 
145
the those of `ms-results/results.csv`, minus `selected` and 
            
146
`evaluation_time`;\r\nsee above for detailed descriptions.",
146
`evaluation_time`;\r\nsee above for detailed descriptions.",
            
147
  "num_resources": 0,
147
  "num_resources": 0,
            
148
  "num_tags": 4,
148
  "num_tags": 4,
            
149
  "orcid": "0000-0003-0301-2798",
149
  "orcid": "0000-0003-0301-2798",
            
150
  "organization": {
150
  "organization": {
            
151
    "approval_status": "approved",
151
    "approval_status": "approved",
            
152
    "created": "2023-01-12T13:30:23.238233",
152
    "created": "2023-01-12T13:30:23.238233",
            
153
    "description": "RADAR (Research Data Repository) is a 
153
    "description": "RADAR (Research Data Repository) is a 
            
154
cross-disciplinary repository for archiving and publishing research 
154
cross-disciplinary repository for archiving and publishing research 
            
155
data from completed scientific studies and projects. The focus is on 
155
data from completed scientific studies and projects. The focus is on 
            
156
research data from subjects that do not yet have their own 
156
research data from subjects that do not yet have their own 
            
157
discipline-specific infrastructures for research data management. ",
157
discipline-specific infrastructures for research data management. ",
            
158
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
158
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
159
    "image_url": "radar-logo.svg",
159
    "image_url": "radar-logo.svg",
            
160
    "is_organization": true,
160
    "is_organization": true,
            
161
    "name": "radar",
161
    "name": "radar",
            
162
    "state": "active",
162
    "state": "active",
            
163
    "title": "RADAR",
163
    "title": "RADAR",
            
164
    "type": "organization"
164
    "type": "organization"
            
165
  },
165
  },
            
166
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
166
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
167
  "private": false,
167
  "private": false,
            
168
  "production_year": "2021",
168
  "production_year": "2021",
            
169
  "publication_year": "2023",
169
  "publication_year": "2023",
            
170
  "publishers": [
170
  "publishers": [
            
171
    {
171
    {
            
172
      "publisher": "Karlsruhe Institute of Technology"
172
      "publisher": "Karlsruhe Institute of Technology"
            
173
    }
173
    }
            
174
  ],
174
  ],
            
175
  "relationships_as_object": [],
175
  "relationships_as_object": [],
            
176
  "relationships_as_subject": [],
176
  "relationships_as_subject": [],
            
177
  "repository_name": "RADAR (Research Data Repository)",
177
  "repository_name": "RADAR (Research Data Repository)",
            
178
  "resources": [],
178
  "resources": [],
            
179
  "services_used_list": "",
179
  "services_used_list": "",
            
180
  "source_metadata_created": "2023",
180
  "source_metadata_created": "2023",
            
181
  "source_metadata_modified": "",
181
  "source_metadata_modified": "",
            
182
  "state": "active",
182
  "state": "active",
            
183
  "subject_areas": [
183
  "subject_areas": [
            
184
    {
184
    {
            
185
      "subject_area_additional": "",
185
      "subject_area_additional": "",
            
186
      "subject_area_name": "Computer Science"
186
      "subject_area_name": "Computer Science"
            
187
    }
187
    }
            
188
  ],
188
  ],
            
189
  "tags": [
189
  "tags": [
            
190
    {
190
    {
            
191
      "display_name": "Constraints",
191
      "display_name": "Constraints",
            
192
      "id": "fa3d947e-eff8-42bd-953b-4f77336f1a66",
192
      "id": "fa3d947e-eff8-42bd-953b-4f77336f1a66",
            
193
      "name": "Constraints",
193
      "name": "Constraints",
            
194
      "state": "active",
194
      "state": "active",
            
195
      "vocabulary_id": null
195
      "vocabulary_id": null
            
196
    },
196
    },
            
197
    {
197
    {
            
198
      "display_name": "Domain knowledge",
198
      "display_name": "Domain knowledge",
            
199
      "id": "6f0a4c92-efd1-44a7-ba68-522c71b504c5",
199
      "id": "6f0a4c92-efd1-44a7-ba68-522c71b504c5",
            
200
      "name": "Domain knowledge",
200
      "name": "Domain knowledge",
            
201
      "state": "active",
201
      "state": "active",
            
202
      "vocabulary_id": null
202
      "vocabulary_id": null
            
203
    },
203
    },
            
204
    {
204
    {
            
205
      "display_name": "Feature selection",
205
      "display_name": "Feature selection",
            
206
      "id": "29a81ebe-698a-43e0-97bb-b4361d1f9d29",
206
      "id": "29a81ebe-698a-43e0-97bb-b4361d1f9d29",
            
207
      "name": "Feature selection",
207
      "name": "Feature selection",
            
208
      "state": "active",
208
      "state": "active",
            
209
      "vocabulary_id": null
209
      "vocabulary_id": null
            
210
    },
210
    },
            
211
    {
211
    {
            
212
      "display_name": "Theory-guided data science",
212
      "display_name": "Theory-guided data science",
            
213
      "id": "0ee4c6b8-29e1-4304-9112-2aef37a5b8b8",
213
      "id": "0ee4c6b8-29e1-4304-9112-2aef37a5b8b8",
            
214
      "name": "Theory-guided data science",
214
      "name": "Theory-guided data science",
            
215
      "state": "active",
215
      "state": "active",
            
216
      "vocabulary_id": null
216
      "vocabulary_id": null
            
217
    }
217
    }
            
218
  ],
218
  ],
            
219
  "title": "Experimental data for the paper ''an empirical evaluation 
219
  "title": "Experimental data for the paper ''an empirical evaluation 
            
220
of constrained feature selection\"",
220
of constrained feature selection\"",
            
221
  "type": "vdataset",
221
  "type": "vdataset",
            
222
  "url": "https://doi.org/10.35097/1345"
222
  "url": "https://doi.org/10.35097/1345"
            
223
}
223
}