matlab复变函数指数函数代码set-mifs 基于集合互信息的Matlab特征选择算法的Matlab实现 介绍 在文献中已经提出了使用互信息（MI）来确定模式识别任务中特征的显着性的思想的许多变体。 但是，它们有其局限性：在变量对之间计算MI不能捕获变量组之间更复杂的交互，而对于大于2的特征空间子集计算MI很快就变得难以计算。 确实，一些作者（参见Kwak＆Choi，2002）已经简要概述了基于全集的互信息算法，只是将其从计算上抛在一边，以至于在实践中是不可能的。 此处实现的算法是一种计算组的MI的快速方法，可完全解决计算难点。 算法 该算法基于两个简单的数学事实： 在内射（一对一）函数下，互信息不变，即对于任意变量U和V，对于任何内射函数g，I（U; V）= I（U; g（V）） 内射功能的组合本身就是内射功能。 本质上，此算法将多个注入函数应用于特征空间，以达到可以以其他方式无法实现的效率进行处理的表示形式。 与蛮力方法的指数复杂度形成鲜明对比的是，该算法的总复杂度相对于数据点数量而言是次二次的，相对于特征数量而言是线性的。 下图给出了步骤的实际示例： Lampen（2004）

包含各种特征选择方法如：%MIFS %mRMR %CMIM %JMI %DISR CIFE %ICAP %CondRed %BetaGamma %CMI

国际金融服务中心 基于并行化互信息的特征选择模块。 相关博客文章 依赖关系 scipy(>=0.17.0) numpy(>=1.10.4) scikit-learn(>=0.17.1) 瓶颈（>=1.1.0） 如何使用 像使用任何其他 scikit-learn 方法一样下载、导入和执行以下操作： fit(X, y) transform(X) fit_transform(X, y) 描述 MIFS 代表基于互信息的特征选择。 此类包含使用连续和离散 y 变量选择特征的例程。 实现了三种选择算法：JMI、JMIM 和 MRMR。 此实现尝试模仿 scikit-learn 接口，因此使用 fit、transform 或 fit_transform 来运行特征选择。 有关示例和用法，请参阅 examples/example.py。 文档 参数 方法：字符串，默认 = 'JMI'：