FEAST 是用於 C/C++、Java、Matlab/Octave 的特徵選擇工具集合，它提供了基於濾波器特徵選擇演算法的常用互資訊的實現以及 RELIEF 的實現。所有函式都需要離散輸入（RELIEF 除外，它不依賴於 MIToolbox），它們返回選定的特徵索引。

Github：https://github.com/Craigacp/FEAST

該專案是為了幫助研究這些演算法的相關性而開發的，其結果已經發布在下述的論文中：

Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selection
 G. Brown, A. Pocock, M.-J. Zhao, M. Lujan
 Journal of Machine Learning Research, 13:27-66 (2012)
 

加權特徵選擇演算法描述如下：

Information Theoretic Feature Selection for Cost-Sensitive Problems
 A. Pocock, N. Edakunni, M.-J. Zhao, M. Lujan, G. Brown.
 ArXiv

如果有開發者或者學者需要 FEAST 中的實現做研究，請引用上述的論文。所有的 FEAST 程式碼都是根據 BSD 3-Clause 許可證授權的。

包含以下實現：mim，mrmr，mifs，cmim，jmi，disr，cife，icap，condred，cmi，relief，fcbf，betagamma

加權實現：mim，cmim，jmi，disr，cmi

FEAST 適用於離散輸入，所以在使用 FEAST 之前，所有連續值應該離散化。作者在實驗中發現，用 10 個寬度相同的二進位制檔案（bins）能夠適用很多問題，儘管這個跟資料集的大小有關。當 FEAST 使用連續的資料時，會生成不可靠的結果，執行速度也會變慢，記憶體使用量也會增加很多。

MATLAB 示例（使用「data」作為我們的特徵矩陣，「label」作為類標籤向量）：

>> size(data)
ans = 
     (569,30)                                     %% denoting 569 examples, and 30 features
 

>> selectedIndices = feast('jmi',5,data,labels) %% selecting the top 5 features using the jmi algorithm
selectedIndices =

    28
    21
     8
    27
    23

>> selectedIndices = feast('mrmr',10,data,labels) %% selecting the top 10 features using the mrmr algorithm
selectedIndices =

    28
    24
    22
     8
    27
    21
    29
     4
     7
    25

>> selectedIndices = feast('mifs',5,data,labels,0.7) %% selecting the top 5 features using the mifs algorithm with beta = 0.7
selectedIndices =

    28
    24
    22
    20
    29