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。

特征选择步骤
' h2 a) w& |% J* R$ O, s" {
①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。
! A. o9 x% K4 V" n% @$ v8 @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。
③利用SVM训练
④训练结果在测试集上判断错误率

/ ^9 V5 U1 W! n, \' ?9 y* @/ |: tMATLAB代码：

0 o7 s5 o8 Z* i0 l

• 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);
  2 h' N: L8 Q# Q) x, b- X, w

regngfpcb

基于MIC（最大互信息系数）的特征选择