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": "10.35097/1623",
5
  "doi": "10.35097/1623",
            
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
  "groups": [],
9
  "groups": [],
            
10
  "id": "ef3d25f6-8b6f-4976-a9ea-53db6fdbc36a",
10
  "id": "ef3d25f6-8b6f-4976-a9ea-53db6fdbc36a",
            
11
  "isopen": false,
11
  "isopen": false,
            
12
  "license_id": "CC BY 4.0 Attribution",
12
  "license_id": "CC BY 4.0 Attribution",
            
13
  "license_title": "CC BY 4.0 Attribution",
13
  "license_title": "CC BY 4.0 Attribution",
            
14
  "metadata_created": "2023-08-04T08:51:10.655015",
14
  "metadata_created": "2023-08-04T08:51:10.655015",
            
t
15
  "metadata_modified": "2023-08-04T08:51:10.655021",
t
15
  "metadata_modified": "2023-08-04T08:52:13.877512",
            
16
  "name": "rdr-doi-10-35097-1623",
16
  "name": "rdr-doi-10-35097-1623",
            
17
  "notes": "Abstract: These are the experimental data for the 
17
  "notes": "Abstract: These are the experimental data for the 
            
18
paper\r\n\r\n> Bach, Jakob. \"Finding Optimal Diverse Feature Sets 
18
paper\r\n\r\n> Bach, Jakob. \"Finding Optimal Diverse Feature Sets 
            
19
with Alternative Feature Selection\"\r\n\r\npublished on 
19
with Alternative Feature Selection\"\r\n\r\npublished on 
            
20
[arXiv](https://arxiv.org/) in 2023.\r\nYou can find the paper 
20
[arXiv](https://arxiv.org/) in 2023.\r\nYou can find the paper 
            
21
[here](https://doi.org/10.48550/arXiv.2307.11607) and the code 
21
[here](https://doi.org/10.48550/arXiv.2307.11607) and the code 
            
22
](https://github.com/jakob-bach/alternative-feature-selection).\r\nSee 
22
](https://github.com/jakob-bach/alternative-feature-selection).\r\nSee 
            
23
the `README` for details.\r\n\r\nThe datasets used in our study (which 
23
the `README` for details.\r\n\r\nThe datasets used in our study (which 
            
24
we also provide here) originate from 
24
we also provide here) originate from 
            
25
[PMLB](https://epistasislab.github.io/pmlb/).\r\nThe corresponding 
25
[PMLB](https://epistasislab.github.io/pmlb/).\r\nThe corresponding 
            
26
[GitHub repository](https://github.com/EpistasisLab/pmlb) is 
26
[GitHub repository](https://github.com/EpistasisLab/pmlb) is 
            
27
MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nPlease see the file 
27
MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nPlease see the file 
            
28
`LICENSE` in the folder `datasets/` for the license 
28
`LICENSE` in the folder `datasets/` for the license 
            
29
text.\r\nTechnicalRemarks: # Experimental Data for the Paper \"Finding 
29
text.\r\nTechnicalRemarks: # Experimental Data for the Paper \"Finding 
            
30
Optimal Diverse Feature Sets with Alternative Feature 
30
Optimal Diverse Feature Sets with Alternative Feature 
            
31
Selection\"\r\n\r\nThese are the experimental data for the 
31
Selection\"\r\n\r\nThese are the experimental data for the 
            
32
paper\r\n\r\n> Bach, Jakob. \"Finding Optimal Diverse Feature Sets 
32
paper\r\n\r\n> Bach, Jakob. \"Finding Optimal Diverse Feature Sets 
            
33
with Alternative Feature Selection\"\r\n\r\npublished at 
33
with Alternative Feature Selection\"\r\n\r\npublished at 
            
34
[arXiv](https://arxiv.org/) in 2023.\r\nIf we create multiple versions 
34
[arXiv](https://arxiv.org/) in 2023.\r\nIf we create multiple versions 
            
35
of this paper in the future, these experimental data will cover at 
35
of this paper in the future, these experimental data will cover at 
            
36
least the first version.\r\n\r\nCheck our [GitHub 
36
least the first version.\r\n\r\nCheck our [GitHub 
            
37
pository](https://github.com/Jakob-Bach/Alternative-Feature-Selection) 
37
pository](https://github.com/Jakob-Bach/Alternative-Feature-Selection) 
            
38
for the code and instructions to reproduce the experiments.\r\nThe 
38
for the code and instructions to reproduce the experiments.\r\nThe 
            
39
data were obtained on a server with an `AMD EPYC 7551` CPU (32 
39
data were obtained on a server with an `AMD EPYC 7551` CPU (32 
            
40
physical cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe 
40
physical cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe 
            
41
operating system was `Ubuntu 20.04.6 LTS`.\r\nThe Python version was 
41
operating system was `Ubuntu 20.04.6 LTS`.\r\nThe Python version was 
            
42
`3.8`.\r\nWith this configuration, running the experimental pipeline 
42
`3.8`.\r\nWith this configuration, running the experimental pipeline 
            
43
(`run_experiments.py`) took about 255 h.\r\n\r\nThe commit hash for 
43
(`run_experiments.py`) took about 255 h.\r\n\r\nThe commit hash for 
            
44
the last run of the experimental pipeline (`run_experiments.py`) is 
44
the last run of the experimental pipeline (`run_experiments.py`) is 
            
45
ature-Selection/tree/2212360a320121862556bc8d54da45cb6dc8ee93).\r\nThe 
45
ature-Selection/tree/2212360a320121862556bc8d54da45cb6dc8ee93).\r\nThe 
            
46
commit hash for the last run of the evaluation pipeline 
46
commit hash for the last run of the evaluation pipeline 
            
47
(`run_evaluation.py`) is 
47
(`run_evaluation.py`) is 
            
48
eature-Selection/tree/487b8ba04d513881be48fb2bc7b1c1dca416d122).\r\nWe 
48
eature-Selection/tree/487b8ba04d513881be48fb2bc7b1c1dca416d122).\r\nWe 
            
49
also tagged both commits (`run-2023-06-23` and 
49
also tagged both commits (`run-2023-06-23` and 
            
50
`evaluation-2023-07-04`).\r\n\r\nThe experimental data are stored in 
50
`evaluation-2023-07-04`).\r\n\r\nThe experimental data are stored in 
            
51
two folders, `datasets/` and `results/`.\r\nFurther, the console 
51
two folders, `datasets/` and `results/`.\r\nFurther, the console 
            
52
output of `run_evaluation.py` is stored in 
52
output of `run_evaluation.py` is stored in 
            
53
`Evaluation_console_output.txt` (manually copied from the console to a 
53
`Evaluation_console_output.txt` (manually copied from the console to a 
            
54
file).\r\nIn the following, we describe the structure and content of 
54
file).\r\nIn the following, we describe the structure and content of 
            
55
each data file.\r\n\r\n## `datasets/`\r\n\r\nThese are the input data 
55
each data file.\r\n\r\n## `datasets/`\r\n\r\nThese are the input data 
            
56
for the experimental pipeline `run_experiments.py`, i.e., prediction 
56
for the experimental pipeline `run_experiments.py`, i.e., prediction 
            
57
datasets.\r\nThe folder contains one overview file, one license file, 
57
datasets.\r\nThe folder contains one overview file, one license file, 
            
58
and two files for each of the 30 datasets.\r\n\r\nThe original 
58
and two files for each of the 30 datasets.\r\n\r\nThe original 
            
59
datasets were downloaded from 
59
datasets were downloaded from 
            
60
[PMLB](https://epistasislab.github.io/pmlb/) with the script 
60
[PMLB](https://epistasislab.github.io/pmlb/) with the script 
            
61
`prepare_datasets.py`.\r\nNote that we do not own the copyright for 
61
`prepare_datasets.py`.\r\nNote that we do not own the copyright for 
            
62
these datasets.\r\nHowever, the [GitHub repository of 
62
these datasets.\r\nHowever, the [GitHub repository of 
            
63
PMLB](https://github.com/EpistasisLab/pmlb), which stores the original 
63
PMLB](https://github.com/EpistasisLab/pmlb), which stores the original 
            
64
datasets, is MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nThus, 
64
datasets, is MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nThus, 
            
65
we include the file `LICENSE` from that repository.\r\n\r\nAfter 
65
we include the file `LICENSE` from that repository.\r\n\r\nAfter 
            
66
downloading from `PMLB`, we split each dataset into the feature part 
66
downloading from `PMLB`, we split each dataset into the feature part 
            
67
(`_X.csv`) and the target part (`_y.csv`), which we save 
67
(`_X.csv`) and the target part (`_y.csv`), which we save 
            
68
separately.\r\nBoth files are CSVs only containing numeric values 
68
separately.\r\nBoth files are CSVs only containing numeric values 
            
69
(categorical features are ordinally encoded in `PMLB`) except for the 
69
(categorical features are ordinally encoded in `PMLB`) except for the 
            
70
column names.\r\nThere are no missing values.\r\nEach row corresponds 
70
column names.\r\nThere are no missing values.\r\nEach row corresponds 
            
71
to a data object (= instance, sample), and each column corresponds to 
71
to a data object (= instance, sample), and each column corresponds to 
            
72
a feature.\r\nThe first line in each CSV contains the names of the 
72
a feature.\r\nThe first line in each CSV contains the names of the 
            
73
features as strings; for `_y.csv` files, there is only one column, 
73
features as strings; for `_y.csv` files, there is only one column, 
            
74
always named `target`.\r\n\r\n`_dataset_overview.csv` contains 
74
always named `target`.\r\n\r\n`_dataset_overview.csv` contains 
            
75
meta-data for the datasets, like the number of instances and 
75
meta-data for the datasets, like the number of instances and 
            
76
features.\r\n\r\n## `results/`\r\n\r\nThese are the output data of the 
76
features.\r\n\r\n## `results/`\r\n\r\nThese are the output data of the 
            
77
experimental pipeline in the form of CSVs, produced by the script 
77
experimental pipeline in the form of CSVs, produced by the script 
            
78
`run_experiments.py`.\r\n`_results.csv` contains all results merged 
78
`run_experiments.py`.\r\n`_results.csv` contains all results merged 
            
79
into one file and acts as input for the script 
79
into one file and acts as input for the script 
            
80
`run_evaluation.py`.\r\nThe remaining files are subsets of the 
80
`run_evaluation.py`.\r\nThe remaining files are subsets of the 
            
81
results, as the experimental pipeline parallelizes over 30 datasets, 5 
81
results, as the experimental pipeline parallelizes over 30 datasets, 5 
            
82
cross-validation folds, and 5 feature-selection methods.\r\nThus, 
82
cross-validation folds, and 5 feature-selection methods.\r\nThus, 
            
83
there are `30 * 5 * 5 = 750` files containing subsets of the 
83
there are `30 * 5 * 5 = 750` files containing subsets of the 
            
84
results.\r\n\r\nEach row in a result file corresponds to one feature 
84
results.\r\n\r\nEach row in a result file corresponds to one feature 
            
85
set.\r\nOne can identify individual search runs for alternatives with 
85
set.\r\nOne can identify individual search runs for alternatives with 
            
86
a combination of multiple columns, i.e.:\r\n\r\n- dataset 
86
a combination of multiple columns, i.e.:\r\n\r\n- dataset 
            
87
`dataset_name`\r\n- cross-validation fold `split_idx`\r\n- 
87
`dataset_name`\r\n- cross-validation fold `split_idx`\r\n- 
            
88
feature-selection method `fs_name`\r\n- search method 
88
feature-selection method `fs_name`\r\n- search method 
            
89
`search_name`\r\n- objective aggregation `objective_agg`\r\n- 
89
`search_name`\r\n- objective aggregation `objective_agg`\r\n- 
            
90
feature-set size `k`\r\n- number of alternatives 
90
feature-set size `k`\r\n- number of alternatives 
            
91
`num_alternatives`\r\n- dissimilarity threshold `tau_abs`\r\n\r\nThe 
91
`num_alternatives`\r\n- dissimilarity threshold `tau_abs`\r\n\r\nThe 
            
92
remaining columns mostly represent evaluation metrics.\r\nIn detail, 
92
remaining columns mostly represent evaluation metrics.\r\nIn detail, 
            
93
all result files contain the following columns:\r\n\r\n- 
93
all result files contain the following columns:\r\n\r\n- 
            
94
`selected_idxs` (list of ints, e.g., `[0, 4, 5, 6, 8]`): The indices 
94
`selected_idxs` (list of ints, e.g., `[0, 4, 5, 6, 8]`): The indices 
            
95
(starting from 0) of the selected features (i.e., columns in the 
95
(starting from 0) of the selected features (i.e., columns in the 
            
96
dataset).\r\n  Might also be an empty list, i.e., `[]` if no valid 
96
dataset).\r\n  Might also be an empty list, i.e., `[]` if no valid 
            
97
solution was found.\r\n  In that case, the two `_objective` columns 
97
solution was found.\r\n  In that case, the two `_objective` columns 
            
98
and the four `_mcc` columns contain a missing value (empty 
98
and the four `_mcc` columns contain a missing value (empty 
            
99
string).\r\n- `train_objective` (float in `[-1,1]`): The training-set 
99
string).\r\n- `train_objective` (float in `[-1,1]`): The training-set 
            
100
objective value of the feature set.\r\n  Three methods (FCBF, MI, 
100
objective value of the feature set.\r\n  Three methods (FCBF, MI, 
            
101
Model Importance) have the range `[0,1]`, while two methods (mRMR, 
101
Model Importance) have the range `[0,1]`, while two methods (mRMR, 
            
102
Greedy Wrapper) have the range `[-1,1]`.\r\n- `test_objective` (float 
102
Greedy Wrapper) have the range `[-1,1]`.\r\n- `test_objective` (float 
            
103
in `[-1,1]` ): The test-set objective value of the feature set.\r\n- 
103
in `[-1,1]` ): The test-set objective value of the feature set.\r\n- 
            
104
`optimization_time` (non-negative float): Time for alternative feature 
104
`optimization_time` (non-negative float): Time for alternative feature 
            
105
selection in seconds.\r\n  For white-box feature-selection methods, 
105
selection in seconds.\r\n  For white-box feature-selection methods, 
            
106
this measures one solver call.\r\n  In contrast, wrapper feature 
106
this measures one solver call.\r\n  In contrast, wrapper feature 
            
107
selection can call the solver multiple times, and we record the total 
107
selection can call the solver multiple times, and we record the total 
            
108
runtime of the \"Greedy Wrapper\" algorithm.\r\n- 
108
runtime of the \"Greedy Wrapper\" algorithm.\r\n- 
            
109
`optimization_status` (int in `{0, 1, 2, 6}`): The status of the 
109
`optimization_status` (int in `{0, 1, 2, 6}`): The status of the 
            
110
solver; for wrapper feature selection, this is only the status of the 
110
solver; for wrapper feature selection, this is only the status of the 
            
111
last solver call.\r\n  - 0 = (proven as) optimal\r\n  - 1 = feasible 
111
last solver call.\r\n  - 0 = (proven as) optimal\r\n  - 1 = feasible 
            
112
(valid solution, but might be suboptimal)\r\n  - 2 = (proven as) 
112
(valid solution, but might be suboptimal)\r\n  - 2 = (proven as) 
            
113
infeasible\r\n  - 6 = not solved (no valid solution found, but one 
113
infeasible\r\n  - 6 = not solved (no valid solution found, but one 
            
114
might exist)\r\n- `decision_tree_train_mcc` (float in `[-1,1]`): 
114
might exist)\r\n- `decision_tree_train_mcc` (float in `[-1,1]`): 
            
115
Training-set prediction performance (in terms of Matthews Correlation 
115
Training-set prediction performance (in terms of Matthews Correlation 
            
116
Coefficient) of a decision tree trained with the selected 
116
Coefficient) of a decision tree trained with the selected 
            
117
features.\r\n- `decision_tree_test_mcc` (float in `[-1,1]`): Test-set 
117
features.\r\n- `decision_tree_test_mcc` (float in `[-1,1]`): Test-set 
            
118
prediction performance (in terms of Matthews Correlation Coefficient) 
118
prediction performance (in terms of Matthews Correlation Coefficient) 
            
119
of a decision tree trained with the selected features.\r\n- 
119
of a decision tree trained with the selected features.\r\n- 
            
120
`random_forest_train_mcc` (float in `[-1,1]`): Training-set prediction 
120
`random_forest_train_mcc` (float in `[-1,1]`): Training-set prediction 
            
121
performance (in terms of Matthews Correlation Coefficient) of a random 
121
performance (in terms of Matthews Correlation Coefficient) of a random 
            
122
forest trained with the selected features.\r\n- 
122
forest trained with the selected features.\r\n- 
            
123
`random_forest_test_mcc` (float in `[-1,1]`): Test-set prediction 
123
`random_forest_test_mcc` (float in `[-1,1]`): Test-set prediction 
            
124
performance (in terms of Matthews Correlation Coefficient) of a random 
124
performance (in terms of Matthews Correlation Coefficient) of a random 
            
125
forest trained with the selected features.\r\n- `k` (int in `{5, 
125
forest trained with the selected features.\r\n- `k` (int in `{5, 
            
126
10}`): The number of features to be selected.\r\n- `tau_abs` (int in 
126
10}`): The number of features to be selected.\r\n- `tau_abs` (int in 
            
127
`{1, ..., 10}`): The dissimilarity threshold for alternatives, 
127
`{1, ..., 10}`): The dissimilarity threshold for alternatives, 
            
128
corresponding to the absolute number of features (`k * tau`) that have 
128
corresponding to the absolute number of features (`k * tau`) that have 
            
129
to differ between feature sets.\r\n- `num_alternatives` (int in `{1, 
129
to differ between feature sets.\r\n- `num_alternatives` (int in `{1, 
            
130
2, 3, 4, 5, 10}`): The number of desired alternative feature sets, not 
130
2, 3, 4, 5, 10}`): The number of desired alternative feature sets, not 
            
131
counting the original (zeroth) feature set.\r\n  A number from `{1, 2, 
131
counting the original (zeroth) feature set.\r\n  A number from `{1, 2, 
            
132
3, 4, 5}` for simultaneous search and always `10` for sequential 
132
3, 4, 5}` for simultaneous search and always `10` for sequential 
            
133
search.\r\n- `objective_agg` (string, 2 different values): The name of 
133
search.\r\n- `objective_agg` (string, 2 different values): The name of 
            
134
the quality-aggregation function for alternatives (`min` or 
134
the quality-aggregation function for alternatives (`min` or 
            
135
`sum`).\r\n  Min-aggregation or sum-aggregation for simultaneous 
135
`sum`).\r\n  Min-aggregation or sum-aggregation for simultaneous 
            
136
search but always sum-aggregation for sequential search.\r\n  (In 
136
search but always sum-aggregation for sequential search.\r\n  (In 
            
137
fact, sequential search only optimizes individual feature sets anyway, 
137
fact, sequential search only optimizes individual feature sets anyway, 
            
138
so the aggregation does not matter for the search.)\r\n- `search_name` 
138
so the aggregation does not matter for the search.)\r\n- `search_name` 
            
139
(string, 2 different values): The name of the search method for 
139
(string, 2 different values): The name of the search method for 
            
140
alternatives (`search_sequentially` or `search_simultaneously`).\r\n- 
140
alternatives (`search_sequentially` or `search_simultaneously`).\r\n- 
            
141
`fs_name` (string, 5 different values): The name of the 
141
`fs_name` (string, 5 different values): The name of the 
            
142
feature-selection method (`FCBFSelector`, `MISelector`, 
142
feature-selection method (`FCBFSelector`, `MISelector`, 
            
143
`ModelImportanceSelector` (= Model Gain), `MRMRSelector`, or 
143
`ModelImportanceSelector` (= Model Gain), `MRMRSelector`, or 
            
144
`GreedyWrapperSelector`).\r\n- `dataset_name` (string, 30 different 
144
`GreedyWrapperSelector`).\r\n- `dataset_name` (string, 30 different 
            
145
values): The name of the `PMLB` dataset.\r\n- `n` (positive int): The 
145
values): The name of the `PMLB` dataset.\r\n- `n` (positive int): The 
            
146
number of features of the `PMLB` dataset.\r\n- `split_idx` (int in 
146
number of features of the `PMLB` dataset.\r\n- `split_idx` (int in 
            
147
`[0,4]`): The index of the cross-validation fold.\r\n- `wrapper_iters` 
147
`[0,4]`): The index of the cross-validation fold.\r\n- `wrapper_iters` 
            
148
(int in `[1,1000]`): The number of iterations in case wrapper feature 
148
(int in `[1,1000]`): The number of iterations in case wrapper feature 
            
149
selection was used, missing value (empty string) in the other 
149
selection was used, missing value (empty string) in the other 
            
150
cases.\r\n  This column does not exist in result files not containing 
150
cases.\r\n  This column does not exist in result files not containing 
            
151
wrapper results.\r\n\r\nYou can easily read in any of the result files 
151
wrapper results.\r\n\r\nYou can easily read in any of the result files 
            
152
with `pandas`:\r\n\r\n```python\r\nimport pandas as pd\r\n\r\nresults 
152
with `pandas`:\r\n\r\n```python\r\nimport pandas as pd\r\n\r\nresults 
            
153
= pd.read_csv('results/_results.csv')\r\n```\r\n\r\nAll result files 
153
= pd.read_csv('results/_results.csv')\r\n```\r\n\r\nAll result files 
            
154
are comma-separated and contain plain numbers and unquoted strings, 
154
are comma-separated and contain plain numbers and unquoted strings, 
            
155
apart from the column `selected_features` (which is quoted and 
155
apart from the column `selected_features` (which is quoted and 
            
156
represents lists of integers).\r\nThe first line in each result file 
156
represents lists of integers).\r\nThe first line in each result file 
            
157
contains the column names.\r\nYou can use the following code to make 
157
contains the column names.\r\nYou can use the following code to make 
            
158
sure that lists of feature indices are treated as such (rather than 
158
sure that lists of feature indices are treated as such (rather than 
            
159
strings):\r\n\r\n```python\r\nimport 
159
strings):\r\n\r\n```python\r\nimport 
            
160
ast\r\n\r\nresults['selected_idxs'] = 
160
ast\r\n\r\nresults['selected_idxs'] = 
            
161
results['selected_idxs'].apply(ast.literal_eval)\r\n```",
161
results['selected_idxs'].apply(ast.literal_eval)\r\n```",
            
162
  "num_resources": 0,
162
  "num_resources": 0,
            
163
  "num_tags": 7,
163
  "num_tags": 7,
            
164
  "orcid": "# Experimental Data for the Paper \"Finding Optimal 
164
  "orcid": "# Experimental Data for the Paper \"Finding Optimal 
            
165
Diverse Feature Sets with Alternative Feature Selection\"\r\n\r\nThese 
165
Diverse Feature Sets with Alternative Feature Selection\"\r\n\r\nThese 
            
166
are the experimental data for the paper\r\n\r\n> Bach, Jakob. 
166
are the experimental data for the paper\r\n\r\n> Bach, Jakob. 
            
167
\"Finding Optimal Diverse Feature Sets with Alternative Feature 
167
\"Finding Optimal Diverse Feature Sets with Alternative Feature 
            
168
Selection\"\r\n\r\npublished at [arXiv](https://arxiv.org/) in 
168
Selection\"\r\n\r\npublished at [arXiv](https://arxiv.org/) in 
            
169
2023.\r\nIf we create multiple versions of this paper in the future, 
169
2023.\r\nIf we create multiple versions of this paper in the future, 
            
170
these experimental data will cover at least the first 
170
these experimental data will cover at least the first 
            
171
version.\r\n\r\nCheck our [GitHub 
171
version.\r\n\r\nCheck our [GitHub 
            
172
pository](https://github.com/Jakob-Bach/Alternative-Feature-Selection) 
172
pository](https://github.com/Jakob-Bach/Alternative-Feature-Selection) 
            
173
for the code and instructions to reproduce the experiments.\r\nThe 
173
for the code and instructions to reproduce the experiments.\r\nThe 
            
174
data were obtained on a server with an `AMD EPYC 7551` CPU (32 
174
data were obtained on a server with an `AMD EPYC 7551` CPU (32 
            
175
physical cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe 
175
physical cores, base clock of 2.0 GHz) and 128 GB RAM.\r\nThe 
            
176
operating system was `Ubuntu 20.04.6 LTS`.\r\nThe Python version was 
176
operating system was `Ubuntu 20.04.6 LTS`.\r\nThe Python version was 
            
177
`3.8`.\r\nWith this configuration, running the experimental pipeline 
177
`3.8`.\r\nWith this configuration, running the experimental pipeline 
            
178
(`run_experiments.py`) took about 255 h.\r\n\r\nThe commit hash for 
178
(`run_experiments.py`) took about 255 h.\r\n\r\nThe commit hash for 
            
179
the last run of the experimental pipeline (`run_experiments.py`) is 
179
the last run of the experimental pipeline (`run_experiments.py`) is 
            
180
ature-Selection/tree/2212360a320121862556bc8d54da45cb6dc8ee93).\r\nThe 
180
ature-Selection/tree/2212360a320121862556bc8d54da45cb6dc8ee93).\r\nThe 
            
181
commit hash for the last run of the evaluation pipeline 
181
commit hash for the last run of the evaluation pipeline 
            
182
(`run_evaluation.py`) is 
182
(`run_evaluation.py`) is 
            
183
eature-Selection/tree/487b8ba04d513881be48fb2bc7b1c1dca416d122).\r\nWe 
183
eature-Selection/tree/487b8ba04d513881be48fb2bc7b1c1dca416d122).\r\nWe 
            
184
also tagged both commits (`run-2023-06-23` and 
184
also tagged both commits (`run-2023-06-23` and 
            
185
`evaluation-2023-07-04`).\r\n\r\nThe experimental data are stored in 
185
`evaluation-2023-07-04`).\r\n\r\nThe experimental data are stored in 
            
186
two folders, `datasets/` and `results/`.\r\nFurther, the console 
186
two folders, `datasets/` and `results/`.\r\nFurther, the console 
            
187
output of `run_evaluation.py` is stored in 
187
output of `run_evaluation.py` is stored in 
            
188
`Evaluation_console_output.txt` (manually copied from the console to a 
188
`Evaluation_console_output.txt` (manually copied from the console to a 
            
189
file).\r\nIn the following, we describe the structure and content of 
189
file).\r\nIn the following, we describe the structure and content of 
            
190
each data file.\r\n\r\n## `datasets/`\r\n\r\nThese are the input data 
190
each data file.\r\n\r\n## `datasets/`\r\n\r\nThese are the input data 
            
191
for the experimental pipeline `run_experiments.py`, i.e., prediction 
191
for the experimental pipeline `run_experiments.py`, i.e., prediction 
            
192
datasets.\r\nThe folder contains one overview file, one license file, 
192
datasets.\r\nThe folder contains one overview file, one license file, 
            
193
and two files for each of the 30 datasets.\r\n\r\nThe original 
193
and two files for each of the 30 datasets.\r\n\r\nThe original 
            
194
datasets were downloaded from 
194
datasets were downloaded from 
            
195
[PMLB](https://epistasislab.github.io/pmlb/) with the script 
195
[PMLB](https://epistasislab.github.io/pmlb/) with the script 
            
196
`prepare_datasets.py`.\r\nNote that we do not own the copyright for 
196
`prepare_datasets.py`.\r\nNote that we do not own the copyright for 
            
197
these datasets.\r\nHowever, the [GitHub repository of 
197
these datasets.\r\nHowever, the [GitHub repository of 
            
198
PMLB](https://github.com/EpistasisLab/pmlb), which stores the original 
198
PMLB](https://github.com/EpistasisLab/pmlb), which stores the original 
            
199
datasets, is MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nThus, 
199
datasets, is MIT-licensed ((c) 2016 Epistasis Lab at UPenn).\r\nThus, 
            
200
we include the file `LICENSE` from that repository.\r\n\r\nAfter 
200
we include the file `LICENSE` from that repository.\r\n\r\nAfter 
            
201
downloading from `PMLB`, we split each dataset into the feature part 
201
downloading from `PMLB`, we split each dataset into the feature part 
            
202
(`_X.csv`) and the target part (`_y.csv`), which we save 
202
(`_X.csv`) and the target part (`_y.csv`), which we save 
            
203
separately.\r\nBoth files are CSVs only containing numeric values 
203
separately.\r\nBoth files are CSVs only containing numeric values 
            
204
(categorical features are ordinally encoded in `PMLB`) except for the 
204
(categorical features are ordinally encoded in `PMLB`) except for the 
            
205
column names.\r\nThere are no missing values.\r\nEach row corresponds 
205
column names.\r\nThere are no missing values.\r\nEach row corresponds 
            
206
to a data object (= instance, sample), and each column corresponds to 
206
to a data object (= instance, sample), and each column corresponds to 
            
207
a feature.\r\nThe first line in each CSV contains the names of the 
207
a feature.\r\nThe first line in each CSV contains the names of the 
            
208
features as strings; for `_y.csv` files, there is only one column, 
208
features as strings; for `_y.csv` files, there is only one column, 
            
209
always named `target`.\r\n\r\n`_dataset_overview.csv` contains 
209
always named `target`.\r\n\r\n`_dataset_overview.csv` contains 
            
210
meta-data for the datasets, like the number of instances and 
210
meta-data for the datasets, like the number of instances and 
            
211
features.\r\n\r\n## `results/`\r\n\r\nThese are the output data of the 
211
features.\r\n\r\n## `results/`\r\n\r\nThese are the output data of the 
            
212
experimental pipeline in the form of CSVs, produced by the script 
212
experimental pipeline in the form of CSVs, produced by the script 
            
213
`run_experiments.py`.\r\n`_results.csv` contains all results merged 
213
`run_experiments.py`.\r\n`_results.csv` contains all results merged 
            
214
into one file and acts as input for the script 
214
into one file and acts as input for the script 
            
215
`run_evaluation.py`.\r\nThe remaining files are subsets of the 
215
`run_evaluation.py`.\r\nThe remaining files are subsets of the 
            
216
results, as the experimental pipeline parallelizes over 30 datasets, 5 
216
results, as the experimental pipeline parallelizes over 30 datasets, 5 
            
217
cross-validation folds, and 5 feature-selection methods.\r\nThus, 
217
cross-validation folds, and 5 feature-selection methods.\r\nThus, 
            
218
there are `30 * 5 * 5 = 750` files containing subsets of the 
218
there are `30 * 5 * 5 = 750` files containing subsets of the 
            
219
results.\r\n\r\nEach row in a result file corresponds to one feature 
219
results.\r\n\r\nEach row in a result file corresponds to one feature 
            
220
set.\r\nOne can identify individual search runs for alternatives with 
220
set.\r\nOne can identify individual search runs for alternatives with 
            
221
a combination of multiple columns, i.e.:\r\n\r\n- dataset 
221
a combination of multiple columns, i.e.:\r\n\r\n- dataset 
            
222
`dataset_name`\r\n- cross-validation fold `split_idx`\r\n- 
222
`dataset_name`\r\n- cross-validation fold `split_idx`\r\n- 
            
223
feature-selection method `fs_name`\r\n- search method 
223
feature-selection method `fs_name`\r\n- search method 
            
224
`search_name`\r\n- objective aggregation `objective_agg`\r\n- 
224
`search_name`\r\n- objective aggregation `objective_agg`\r\n- 
            
225
feature-set size `k`\r\n- number of alternatives 
225
feature-set size `k`\r\n- number of alternatives 
            
226
`num_alternatives`\r\n- dissimilarity threshold `tau_abs`\r\n\r\nThe 
226
`num_alternatives`\r\n- dissimilarity threshold `tau_abs`\r\n\r\nThe 
            
227
remaining columns mostly represent evaluation metrics.\r\nIn detail, 
227
remaining columns mostly represent evaluation metrics.\r\nIn detail, 
            
228
all result files contain the following columns:\r\n\r\n- 
228
all result files contain the following columns:\r\n\r\n- 
            
229
`selected_idxs` (list of ints, e.g., `[0, 4, 5, 6, 8]`): The indices 
229
`selected_idxs` (list of ints, e.g., `[0, 4, 5, 6, 8]`): The indices 
            
230
(starting from 0) of the selected features (i.e., columns in the 
230
(starting from 0) of the selected features (i.e., columns in the 
            
231
dataset).\r\n  Might also be an empty list, i.e., `[]` if no valid 
231
dataset).\r\n  Might also be an empty list, i.e., `[]` if no valid 
            
232
solution was found.\r\n  In that case, the two `_objective` columns 
232
solution was found.\r\n  In that case, the two `_objective` columns 
            
233
and the four `_mcc` columns contain a missing value (empty 
233
and the four `_mcc` columns contain a missing value (empty 
            
234
string).\r\n- `train_objective` (float in `[-1,1]`): The training-set 
234
string).\r\n- `train_objective` (float in `[-1,1]`): The training-set 
            
235
objective value of the feature set.\r\n  Three methods (FCBF, MI, 
235
objective value of the feature set.\r\n  Three methods (FCBF, MI, 
            
236
Model Importance) have the range `[0,1]`, while two methods (mRMR, 
236
Model Importance) have the range `[0,1]`, while two methods (mRMR, 
            
237
Greedy Wrapper) have the range `[-1,1]`.\r\n- `test_objective` (float 
237
Greedy Wrapper) have the range `[-1,1]`.\r\n- `test_objective` (float 
            
238
in `[-1,1]` ): The test-set objective value of the feature set.\r\n- 
238
in `[-1,1]` ): The test-set objective value of the feature set.\r\n- 
            
239
`optimization_time` (non-negative float): Time for alternative feature 
239
`optimization_time` (non-negative float): Time for alternative feature 
            
240
selection in seconds.\r\n  For white-box feature-selection methods, 
240
selection in seconds.\r\n  For white-box feature-selection methods, 
            
241
this measures one solver call.\r\n  In contrast, wrapper feature 
241
this measures one solver call.\r\n  In contrast, wrapper feature 
            
242
selection can call the solver multiple times, and we record the total 
242
selection can call the solver multiple times, and we record the total 
            
243
runtime of the \"Greedy Wrapper\" algorithm.\r\n- 
243
runtime of the \"Greedy Wrapper\" algorithm.\r\n- 
            
244
`optimization_status` (int in `{0, 1, 2, 6}`): The status of the 
244
`optimization_status` (int in `{0, 1, 2, 6}`): The status of the 
            
245
solver; for wrapper feature selection, this is only the status of the 
245
solver; for wrapper feature selection, this is only the status of the 
            
246
last solver call.\r\n  - 0 = (proven as) optimal\r\n  - 1 = feasible 
246
last solver call.\r\n  - 0 = (proven as) optimal\r\n  - 1 = feasible 
            
247
(valid solution, but might be suboptimal)\r\n  - 2 = (proven as) 
247
(valid solution, but might be suboptimal)\r\n  - 2 = (proven as) 
            
248
infeasible\r\n  - 6 = not solved (no valid solution found, but one 
248
infeasible\r\n  - 6 = not solved (no valid solution found, but one 
            
249
might exist)\r\n- `decision_tree_train_mcc` (float in `[-1,1]`): 
249
might exist)\r\n- `decision_tree_train_mcc` (float in `[-1,1]`): 
            
250
Training-set prediction performance (in terms of Matthews Correlation 
250
Training-set prediction performance (in terms of Matthews Correlation 
            
251
Coefficient) of a decision tree trained with the selected 
251
Coefficient) of a decision tree trained with the selected 
            
252
features.\r\n- `decision_tree_test_mcc` (float in `[-1,1]`): Test-set 
252
features.\r\n- `decision_tree_test_mcc` (float in `[-1,1]`): Test-set 
            
253
prediction performance (in terms of Matthews Correlation Coefficient) 
253
prediction performance (in terms of Matthews Correlation Coefficient) 
            
254
of a decision tree trained with the selected features.\r\n- 
254
of a decision tree trained with the selected features.\r\n- 
            
255
`random_forest_train_mcc` (float in `[-1,1]`): Training-set prediction 
255
`random_forest_train_mcc` (float in `[-1,1]`): Training-set prediction 
            
256
performance (in terms of Matthews Correlation Coefficient) of a random 
256
performance (in terms of Matthews Correlation Coefficient) of a random 
            
257
forest trained with the selected features.\r\n- 
257
forest trained with the selected features.\r\n- 
            
258
`random_forest_test_mcc` (float in `[-1,1]`): Test-set prediction 
258
`random_forest_test_mcc` (float in `[-1,1]`): Test-set prediction 
            
259
performance (in terms of Matthews Correlation Coefficient) of a random 
259
performance (in terms of Matthews Correlation Coefficient) of a random 
            
260
forest trained with the selected features.\r\n- `k` (int in `{5, 
260
forest trained with the selected features.\r\n- `k` (int in `{5, 
            
261
10}`): The number of features to be selected.\r\n- `tau_abs` (int in 
261
10}`): The number of features to be selected.\r\n- `tau_abs` (int in 
            
262
`{1, ..., 10}`): The dissimilarity threshold for alternatives, 
262
`{1, ..., 10}`): The dissimilarity threshold for alternatives, 
            
263
corresponding to the absolute number of features (`k * tau`) that have 
263
corresponding to the absolute number of features (`k * tau`) that have 
            
264
to differ between feature sets.\r\n- `num_alternatives` (int in `{1, 
264
to differ between feature sets.\r\n- `num_alternatives` (int in `{1, 
            
265
2, 3, 4, 5, 10}`): The number of desired alternative feature sets, not 
265
2, 3, 4, 5, 10}`): The number of desired alternative feature sets, not 
            
266
counting the original (zeroth) feature set.\r\n  A number from `{1, 2, 
266
counting the original (zeroth) feature set.\r\n  A number from `{1, 2, 
            
267
3, 4, 5}` for simultaneous search and always `10` for sequential 
267
3, 4, 5}` for simultaneous search and always `10` for sequential 
            
268
search.\r\n- `objective_agg` (string, 2 different values): The name of 
268
search.\r\n- `objective_agg` (string, 2 different values): The name of 
            
269
the quality-aggregation function for alternatives (`min` or 
269
the quality-aggregation function for alternatives (`min` or 
            
270
`sum`).\r\n  Min-aggregation or sum-aggregation for simultaneous 
270
`sum`).\r\n  Min-aggregation or sum-aggregation for simultaneous 
            
271
search but always sum-aggregation for sequential search.\r\n  (In 
271
search but always sum-aggregation for sequential search.\r\n  (In 
            
272
fact, sequential search only optimizes individual feature sets anyway, 
272
fact, sequential search only optimizes individual feature sets anyway, 
            
273
so the aggregation does not matter for the search.)\r\n- `search_name` 
273
so the aggregation does not matter for the search.)\r\n- `search_name` 
            
274
(string, 2 different values): The name of the search method for 
274
(string, 2 different values): The name of the search method for 
            
275
alternatives (`search_sequentially` or `search_simultaneously`).\r\n- 
275
alternatives (`search_sequentially` or `search_simultaneously`).\r\n- 
            
276
`fs_name` (string, 5 different values): The name of the 
276
`fs_name` (string, 5 different values): The name of the 
            
277
feature-selection method (`FCBFSelector`, `MISelector`, 
277
feature-selection method (`FCBFSelector`, `MISelector`, 
            
278
`ModelImportanceSelector` (= Model Gain), `MRMRSelector`, or 
278
`ModelImportanceSelector` (= Model Gain), `MRMRSelector`, or 
            
279
`GreedyWrapperSelector`).\r\n- `dataset_name` (string, 30 different 
279
`GreedyWrapperSelector`).\r\n- `dataset_name` (string, 30 different 
            
280
values): The name of the `PMLB` dataset.\r\n- `n` (positive int): The 
280
values): The name of the `PMLB` dataset.\r\n- `n` (positive int): The 
            
281
number of features of the `PMLB` dataset.\r\n- `split_idx` (int in 
281
number of features of the `PMLB` dataset.\r\n- `split_idx` (int in 
            
282
`[0,4]`): The index of the cross-validation fold.\r\n- `wrapper_iters` 
282
`[0,4]`): The index of the cross-validation fold.\r\n- `wrapper_iters` 
            
283
(int in `[1,1000]`): The number of iterations in case wrapper feature 
283
(int in `[1,1000]`): The number of iterations in case wrapper feature 
            
284
selection was used, missing value (empty string) in the other 
284
selection was used, missing value (empty string) in the other 
            
285
cases.\r\n  This column does not exist in result files not containing 
285
cases.\r\n  This column does not exist in result files not containing 
            
286
wrapper results.\r\n\r\nYou can easily read in any of the result files 
286
wrapper results.\r\n\r\nYou can easily read in any of the result files 
            
287
with `pandas`:\r\n\r\n```python\r\nimport pandas as pd\r\n\r\nresults 
287
with `pandas`:\r\n\r\n```python\r\nimport pandas as pd\r\n\r\nresults 
            
288
= pd.read_csv('results/_results.csv')\r\n```\r\n\r\nAll result files 
288
= pd.read_csv('results/_results.csv')\r\n```\r\n\r\nAll result files 
            
289
are comma-separated and contain plain numbers and unquoted strings, 
289
are comma-separated and contain plain numbers and unquoted strings, 
            
290
apart from the column `selected_features` (which is quoted and 
290
apart from the column `selected_features` (which is quoted and 
            
291
represents lists of integers).\r\nThe first line in each result file 
291
represents lists of integers).\r\nThe first line in each result file 
            
292
contains the column names.\r\nYou can use the following code to make 
292
contains the column names.\r\nYou can use the following code to make 
            
293
sure that lists of feature indices are treated as such (rather than 
293
sure that lists of feature indices are treated as such (rather than 
            
294
strings):\r\n\r\n```python\r\nimport 
294
strings):\r\n\r\n```python\r\nimport 
            
295
ast\r\n\r\nresults['selected_idxs'] = 
295
ast\r\n\r\nresults['selected_idxs'] = 
            
296
results['selected_idxs'].apply(ast.literal_eval)\r\n```",
296
results['selected_idxs'].apply(ast.literal_eval)\r\n```",
            
297
  "organization": {
297
  "organization": {
            
298
    "approval_status": "approved",
298
    "approval_status": "approved",
            
299
    "created": "2023-01-12T13:30:23.238233",
299
    "created": "2023-01-12T13:30:23.238233",
            
300
    "description": "RADAR (Research Data Repository) is a 
300
    "description": "RADAR (Research Data Repository) is a 
            
301
cross-disciplinary repository for archiving and publishing research 
301
cross-disciplinary repository for archiving and publishing research 
            
302
data from completed scientific studies and projects. The focus is on 
302
data from completed scientific studies and projects. The focus is on 
            
303
research data from subjects that do not yet have their own 
303
research data from subjects that do not yet have their own 
            
304
discipline-specific infrastructures for research data management. ",
304
discipline-specific infrastructures for research data management. ",
            
305
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
305
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
306
    "image_url": "radar-logo.svg",
306
    "image_url": "radar-logo.svg",
            
307
    "is_organization": true,
307
    "is_organization": true,
            
308
    "name": "radar",
308
    "name": "radar",
            
309
    "state": "active",
309
    "state": "active",
            
310
    "title": "RADAR",
310
    "title": "RADAR",
            
311
    "type": "organization"
311
    "type": "organization"
            
312
  },
312
  },
            
313
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
313
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
314
  "private": false,
314
  "private": false,
            
315
  "production_year": "2023",
315
  "production_year": "2023",
            
316
  "publication_year": "2023",
316
  "publication_year": "2023",
            
317
  "publishers": [
317
  "publishers": [
            
318
    {
318
    {
            
319
      "publisher": "Karlsruhe Institute of Technology"
319
      "publisher": "Karlsruhe Institute of Technology"
            
320
    }
320
    }
            
321
  ],
321
  ],
            
322
  "relationships_as_object": [],
322
  "relationships_as_object": [],
            
323
  "relationships_as_subject": [],
323
  "relationships_as_subject": [],
            
324
  "repository_name": "RADAR (Research Data Repository)",
324
  "repository_name": "RADAR (Research Data Repository)",
            
325
  "resources": [],
325
  "resources": [],
            
326
  "services_used_list": "",
326
  "services_used_list": "",
            
327
  "source_metadata_created": "2023",
327
  "source_metadata_created": "2023",
            
328
  "source_metadata_modified": "",
328
  "source_metadata_modified": "",
            
329
  "state": "active",
329
  "state": "active",
            
330
  "subject_areas": [
330
  "subject_areas": [
            
331
    {
331
    {
            
332
      "subject_area_additional": "",
332
      "subject_area_additional": "",
            
333
      "subject_area_name": "Computer Science"
333
      "subject_area_name": "Computer Science"
            
334
    }
334
    }
            
335
  ],
335
  ],
            
336
  "tags": [
336
  "tags": [
            
337
    {
337
    {
            
338
      "display_name": "XAI",
338
      "display_name": "XAI",
            
339
      "id": "43355d15-2c6a-461c-a316-59db44d3772e",
339
      "id": "43355d15-2c6a-461c-a316-59db44d3772e",
            
340
      "name": "XAI",
340
      "name": "XAI",
            
341
      "state": "active",
341
      "state": "active",
            
342
      "vocabulary_id": null
342
      "vocabulary_id": null
            
343
    },
343
    },
            
344
    {
344
    {
            
345
      "display_name": "alternatives",
345
      "display_name": "alternatives",
            
346
      "id": "9a9c5c70-6866-43ee-ac05-c188fbe85b96",
346
      "id": "9a9c5c70-6866-43ee-ac05-c188fbe85b96",
            
347
      "name": "alternatives",
347
      "name": "alternatives",
            
348
      "state": "active",
348
      "state": "active",
            
349
      "vocabulary_id": null
349
      "vocabulary_id": null
            
350
    },
350
    },
            
351
    {
351
    {
            
352
      "display_name": "constraints",
352
      "display_name": "constraints",
            
353
      "id": "41e92e4d-cf4e-4a7e-ac40-b31e436617d7",
353
      "id": "41e92e4d-cf4e-4a7e-ac40-b31e436617d7",
            
354
      "name": "constraints",
354
      "name": "constraints",
            
355
      "state": "active",
355
      "state": "active",
            
356
      "vocabulary_id": null
356
      "vocabulary_id": null
            
357
    },
357
    },
            
358
    {
358
    {
            
359
      "display_name": "explainability",
359
      "display_name": "explainability",
            
360
      "id": "689f82db-f998-41ef-ae4b-88d9528b2431",
360
      "id": "689f82db-f998-41ef-ae4b-88d9528b2431",
            
361
      "name": "explainability",
361
      "name": "explainability",
            
362
      "state": "active",
362
      "state": "active",
            
363
      "vocabulary_id": null
363
      "vocabulary_id": null
            
364
    },
364
    },
            
365
    {
365
    {
            
366
      "display_name": "feature selection",
366
      "display_name": "feature selection",
            
367
      "id": "d52fade1-2240-4e3a-9d12-6301e9a2a69f",
367
      "id": "d52fade1-2240-4e3a-9d12-6301e9a2a69f",
            
368
      "name": "feature selection",
368
      "name": "feature selection",
            
369
      "state": "active",
369
      "state": "active",
            
370
      "vocabulary_id": null
370
      "vocabulary_id": null
            
371
    },
371
    },
            
372
    {
372
    {
            
373
      "display_name": "interpretability",
373
      "display_name": "interpretability",
            
374
      "id": "7003db81-bd53-431c-b2e0-75280f8b4ede",
374
      "id": "7003db81-bd53-431c-b2e0-75280f8b4ede",
            
375
      "name": "interpretability",
375
      "name": "interpretability",
            
376
      "state": "active",
376
      "state": "active",
            
377
      "vocabulary_id": null
377
      "vocabulary_id": null
            
378
    },
378
    },
            
379
    {
379
    {
            
380
      "display_name": "mixed-integer programming",
380
      "display_name": "mixed-integer programming",
            
381
      "id": "441fc717-84e4-4afa-a64b-de1c16ffcf03",
381
      "id": "441fc717-84e4-4afa-a64b-de1c16ffcf03",
            
382
      "name": "mixed-integer programming",
382
      "name": "mixed-integer programming",
            
383
      "state": "active",
383
      "state": "active",
            
384
      "vocabulary_id": null
384
      "vocabulary_id": null
            
385
    }
385
    }
            
386
  ],
386
  ],
            
387
  "title": "Experimental data for the paper \"finding optimal diverse 
387
  "title": "Experimental data for the paper \"finding optimal diverse 
            
388
feature sets with alternative feature selection\"",
388
feature sets with alternative feature selection\"",
            
389
  "type": "vdataset",
389
  "type": "vdataset",
            
390
  "url": "https://doi.org/10.35097/1623"
390
  "url": "https://doi.org/10.35097/1623"
            
391
}
391
}