A Data-Science Pipeline to Enable the Interpretability of Many-Objective Feature Selection

Recherche avancée | Historique de recherche Mon DI-fusion | À propos de DI-fusion | Contact |

Référence CEUR Workshop Proceedings, 3653, page (83-87)
Publication Publié, 2024-07-01

Article révisé par les pairs

Fichier(s) déposé(s) par l'encodeur

Towards fair machine learning using many-objective feature selection
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2025-09
On many-objective feature selection and the need for interpretability
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2025-04
Finding Relevant Information in Big Datasets with ML
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2024-03-01
Wrapper Methods for Multi-Objective Feature Selection
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2023-03-01
Impact of filter feature selection on classification: an empirical study
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2022-07-01

Référencement	Visibilité	Pérennité	Facilité
Les publications encodées constituent la bibliographie académique de l'Université.	Les documents déposés sont indexés par les moteurs de recherche (Google Scholar,…).	Les documents déposés en open-access sont archivés au sein du réseau de préservation SAFE-PLN (www.safepln.org).	Les listes de publications sont compatibles avec le CV-ULB, le FNRS et accessibles sur le web.