基于MIC（最大互信息系数）的特征选择

dapmood

最大信息系数 maximal information coefficient (MIC)，又称最大互信息系数。

4 p. v0 {! @+ X0 Q8 e) f* G" q特征选择步骤
( [$ E3 ]  d0 [9 g# ?
  _2 u, m- N- b! ^6 P* N①计算不同维度（特征）之间的MIC值，MIC值越大，说明这两个维度越接近。
5 Q# D# V5 g2 U) O0 _②寻找那些与其他维度MIC值较小的维度，根据阈值选出这些特征。
1 T6 d. E7 x+ z6 Y③利用SVM训练
④训练结果在测试集上判断错误率
& [( g/ Y1 e! O4 q( W% a
3 Z" B9 c2 |1 T7 N1 ?- uMATLAB代码：
, U8 j9 f0 \* I4 D7 ^$ i* {
( G, W: j$ t" I# @: b/ Z" w5 K

• clc
• load train_F.mat;
• load train_L.mat;
• load test_F.mat;
• load test_L.mat;
• Dim = 22;
• MIC_matrix = zeros(Dim, Dim);
• for i = 1：Dim
•     for j = 1：Dim
•         X_v = reshape(train_F(:,i),1,size(train_F(:,i),1));
•         Y_v = reshape(train_F(:,j),1,size(train_F(:,j),1));
•         [A, ~] = mine(X_v, Y_v);
•         MIC_matrix(i, j) = A.mic;
•     end
• end
• MIC_matrix(MIC_matrix>0.4) = 0;
• MIC_matrix(MIC_matrix~=0) = 1;
• inmodel = sum(MIC_matrix);
• threshold = sum(inmodel)/Dim;
• inmodel(inmodel <= threshold) = 0;
• inmodel(inmodel > threshold) = 1;
• model = libsvmtrain(train_L,train_F(:,inmodel));
• [predict_label, ~, ~] = libsvmpredict(test_L,test_F(:,inmodel),model);
• error=0;
• for j=1:length(test_L)
•     if(predict_label(j,1) ~= test_L(j,1))
•         error = error+1;
•     end
• end
• error = error/length(test_L);
  . m6 |+ D) Y0 g- V3 c4 c1 ?, P- [

regngfpcb

基于MIC（最大互信息系数）的特征选择