函数
sklearn.feature_selection.mutual_info_regression(X, y, discrete_features='auto', n_neighbors=3, copy=True, random_state=None)
估计一个连续目标变量的互信息。
两个随机变量之间的互信息(MI)是非负值,用于衡量变量之间的依存关系。当且仅当两个随机变量是独立的,并且等于较高的值意味着较高的依赖性时,它等于零。
该函数依赖于非参数方法,该方法基于k-邻近邻居距离的熵估计。
参数说明
Parameters
----------
X:array_like or sparse matrix, shape (n_samples, n_features)
Feature matrix.
特征矩阵。
y:array_like, shape (n_samples,)
Target vector.
标签向量。
discrete_features:{'auto', bool, array_like}, default ‘auto’
如果为'auto',则将其分配给False(表示稠密)X,将其分配给True(表示稀疏)X。
如果是bool,则确定是考虑所有特征是离散特征还是连续特征。
如果是数组,则它应该是具有形状(n_features,)的布尔蒙版或具有离散特征索引的数组。
n_neighbors: int, default=3
用于连续变量的MI估计的邻居数;
较高的值会减少估计的方差,但可能会带来偏差。
copy: bool, default=True
是否复制给定的数据。如果设置为False,则初始数据将被覆盖。
random_state: int, RandomState instance or None, optional, default None
确定随机数生成,以将小噪声添加到连续变量中以删除重复值。
在多个函数调用之间传递int以获得可重复的结果。
Returns
-------
mi: ndarray, shape (n_features,)
每个特征和标签之间的估计相互信息。
笔记
-
使用术语“离散特征”而不是将它们命名为“分类”,因为它可以更准确地描述要素。例如,图像的像素强度是离散的特征(但很难分类),如果将其标记为这样,您将获得更好的结果。还要注意,将连续变量视为离散变量,反之亦然通常会产生错误的结果,因此请注意这一点。
-
真正的共同信息不能是负面的。如果其估计结果为负,则将其替换为零。