使用MIC进行变量选择
如果有很多自变量,我们能在很多自变量中选出几个对因变量影响最大的吗?或许MIC可以解决这个问题哦。
# -*- coding: utf-8 -*-
"""
Created on Mon Mar 14 19:52:57 2016@author: Luyixiao
"""import numpy as np
from minepy import MINE
import matplotlib.pyplot as pltdef print_stats(mine):print "MIC", mine.mic()
# print "MAS", mine.mas()#detecting periodic relationships with unknown frequencies
# print "MEV", mine.mev()
# print "MCN (eps=0)", mine.mcn(0)
# print "MCN (eps=1-MIC)", mine.mcn_general()x1 = np.linspace(0, 1, 1000)
x2 = np.random.randn(x1.shape[0])+0.5
x3 = np.random.randn(x1.shape[0])#normal mean = 0,dev = 1
x4 = np.random.random_sample(x1.shape[0])#random
x5 = 2*np.random.randn(x1.shape[0])+10 #normal mean = 10,dev = 2
x6 = 4*np.random.random_sample(x1.shape[0])#random*4
y = np.sin(10 * np.pi * x1) + x2
#y = np.sin(10 * np.pi * x1) + x2*0.01
mine = MINE(alpha=0.6, c=15)print "MIC between y and x1:"
mine.compute_score(x1, y)
print_stats(mine)
plt.scatter(x1, y, color='red')
plt.show()
print "MIC between y and x2:"
mine.compute_score(x2, y)
print_stats(mine)
plt.scatter(x2, y, color='blue')
plt.show()
print "MIC between y and x3(normal disturbtion):"
mine.compute_score(x3, y)
print_stats(mine)
print "MIC between y and x4(random disturbtion):"
mine.compute_score(x4, y)
print_stats(mine)
print "MIC between y and x3(normal disturbtion):"
mine.compute_score(x5, y)
print_stats(mine)
print "MIC between y and x4(random disturbtion):"
mine.compute_score(x6, y)
print_stats(mine)
这里,y只与x1,x2有关。函数表达式是y=sin(10*3.14*x1)+x2。
运行之后的效果是这样的。
首先是x1变量与y的MIC值
MIC between y and x1:
MIC 0.34578174965
散点图是
然后是x2的:
MIC between y and x2:
MIC 0.583633971634
散点图是
那么还有几个变量呢?
MIC between y and x3(normal disturbtion):
MIC 0.125493013005
MIC between y and x4(random disturbtion):
MIC 0.126849697109
MIC between y and x3(normal disturbtion):
MIC 0.134937129482
MIC between y and x4(random disturbtion):
MIC 0.147182587126
相比较而言,这几个无关变量与y的MIC值都是比较小的,不管这些无关系数的范围在什么区间。
使用MIC进行变量选择相关推荐
- 【运筹学】人工变量法总结 ( 人工变量法解的分析 | 标准型变换 | 构造单位阵 | 目标函数引入 M | 计算检验数 | 选择入基变量 | 选择出基变量 | 中心元变换 | ) ★★
文章目录 一.人工变量法及解的分析 二.案例 三.线性规划标准型变换 四.人工变量法构造单位阵 五.初始单纯形表 六.初始单纯形表 : 计算非基变量检验数 七.初始单纯形表 : 最优解判定 八.初始单 ...
- 【运筹学】线性规划 人工变量法 ( 人工变量法案例 | 第二次迭代 | 中心元变换 | 检验数计算 | 最优解判定 | 选择入基变量 | 选择出基变量 )
文章目录 一.第二次迭代 : 中心元变换 二.第二次迭代 : 单纯形表 三.第二次迭代 : 计算检验数 四.第二次迭代 : 最优解判定 五.第二次迭代 : 选择入基变量 六.第二次迭代 : 选择出基变 ...
- 【运筹学】线性规划 人工变量法 ( 人工变量法案例 | 第一次迭代 | 中心元变换 | 检验数计算 | 选择入基变量 | 选择出基变量 )
文章目录 一.第一次迭代 : 中心元变换 二.第一次迭代 : 单纯形表 三.第一次迭代 : 计算检验数 四.第一次迭代 : 最优解判定 五.第一次迭代 : 选择入基变量 六.第一次迭代 : 选择出基变 ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 第一次迭代 | 方程组同解变换 | 计算新单纯形表 | 计算检验数 | 入基变量选择 | 出基变量选择 )
文章目录 一.初始基可行解后第一次迭代 二.迭代后新的单纯形表 三.方程组同解变换 四.生成新的单纯形表 五.解出基可行解 六.计算检验数 σj\sigma_jσj 并选择入基变量 七.计算 θ\t ...
- UA MATH567 高维统计专题1 稀疏信号及其恢复7 LASSO的预测误差与变量选择一致性
UA MATH567 高维统计专题1 稀疏信号及其恢复7 LASSO的预测误差与变量选择一致性 Prediction Error Variable Selection Consistency Pred ...
- LASSO与Item Response Theory模型中的隐变量选择
LASSO与Item Response Theory模型中的隐变量选择 Item Response Theory简介 统计模型 Latent Traits Selection 两参数模型的LASSO ...
- UA MATH571A 多元线性回归II 变量选择
UA MATH571A 多元线性回归II 变量选择 多项式回归与交互项回归 阶数的确定 含质量型变量的回归 含质量型变量的交互项 二值变量与二值变量的交互项 二值变量与数量型变量的交互项 变量选择的准 ...
- hotelling变换_基于Hotelling-T²的偏最小二乘(PLS)中的变量选择
hotelling变换 背景 (Background) One of the most common challenges encountered in the modeling of spectro ...
- 面板数据、工具变量选择和Hausman检验的若干问题
面板数据作为计量经济学中的一个小分支,多数本科学校没有学过,此课程主要面向研究生及以上,但是面板数据的实证分析在核心刊物上屡屡出现. 一.面板数据哪里好 一般而言,面板数据模型的误差项由两部分组成,一 ...
最新文章
- linux 7 没有权限访问,技术|RHCSA 系列(十三): 在 RHEL 7 中使用 SELinux 进行强制访问控制...
- 《Java 核心技术卷1 第10版》学习笔记------ final 关键字详解
- 不懂这11个隐藏技巧,别说你会用微信
- POJ--3974 Palindrome(回文串,hash)
- 笨方法“学习python笔记之变量及打印
- 图片不存在显示默认图片
- ThreadLocal 内存泄漏问题
- (已更新)外卖侠3.10.27版本外卖+售卖影票+任务功能微擎版本程序源码下载
- 电驴虚拟服务器常用端口选择,为何我的电驴端口映射成功还是Lowid?
- codeforce 417D Cunning Gena (状压DP)
- Gradle 配置阿里云代理 https,maven central 中央仓库,google,gradle plugin,jcenter
- 高版本IE浏览器(IE8、IE9)查看网页Applet问题解决方案
- 电商战决胜在物流 聚美优品破瓶颈发展
- 企业服务是移动互联网的下一个风口
- java 得到汉字的拼音,Java获取汉字的拼音
- servu用户信息如何导出_购买1条人脸信息只需5毛钱!人脸识别智能锁如何坚守用户信息安全高地?...
- 置陈布势!设计构图的美学规律
- SEO是什么意思?seo入门者必读
- Call to undefined function curl_init()错误解决方法
- Moran_DeepLPF_Deep_Local_Parametric_Filters_for_Image_Enhancement_CVPR_2020_paper
热门文章
- 初步使用bootstrap框架
- 基于华为云人脸服务接口设计的人脸考勤打卡签到系统
- 中山大学南方学院计算机专业分数线,中山大学南方学院历年录取分数线多少及各省最低投档线统计表...
- 企业人事管理系统V0.2.0
- Asterisk介绍
- Android中电池信息(Battery information)的取得
- 指数函数----e是什么?
- “华夏”二字之由来——我们为何称为“华夏”
- 计算机cbr代表什么,cbr是什么文件格式
- 序:何为高级java开发工程师?