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。
' g' Z+ m7 L! b9 o1 n+ P
- e. m% A! X5 J2 s( r9 _! I; z. ]/ s特征选择步骤

+ i/ q' H& X/ t8 E& ~# j8 ?$ W( `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。
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。
6 `5 m9 N5 R& b③利用SVM训练
5 p! j1 X" o5 {# Z% V④训练结果在测试集上判断错误率
) ^4 f* `, E8 c- z2 C
* a: T4 g) ^0 ?5 kMATLAB代码：

* a# T$ M! |3 O

• 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);
  

regngfpcb

基于MIC（最大互信息系数）的特征选择