Feature Selection for Learning To Rank with Multi Objective Genetic Algorithms

Códigos para feature selection, utilizando algoritmos genéticos em contexto de Aprendizagem de Ranqueamento (Recomendação está em desenvolvimento)

Datasets

• WEB10K - Microsoft Learning to Rank Datasets
• LETOR - Learning to Rank for Information Retrieval
• Yahoo - Yahoo! Learning to Rank Challenge Overview

Built With

• DEAP - Distributed Evolutionary Algorithms in Python
• cuML - RAPIDS Machine Learning Library
• cuDF - GPU DataFrame Library
• scikit-learn - Machine Learning in Python

Some Metrics:

• TRisk - para Risco
• Georisk - para Risco
• NDCG - para Efitividade
• MAP - para Efitividade
• EPC - para Novidade
• EILD - para Diversidade

Configuration

A biblioteca DEAP não disponibiliza comparação de objetivos multivalorados com TTest. Devido esse problema foi desenvolvido um fork da biblioteca, alterando as funções de dominância, selSPEA2 e selNSGA2. Agora essas aplicam teste estatístico para comparação dos indivíduos.

Para instalar desinstale versões anteriores do DEAP:

pip uninstall deap

E instale com o código proveniente do fork:

pip install git+https://github.com/Haiga/deap#egg=deap

Nota: Esse fork utiliza a biblioteca rpy2 - R in Python, e deve ser instalada previamente.