Maximal Information-based Nonparametric Exploration（MINE）基于非参数检验的最大信息

1. 互信息(Mutual Information)
   是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。
   
2. 最大信息系数（MIC Maximal Information Coefficient ）
   把两个 随机变量化成散点图，然后不断的用小方格子去分割。然后计算每个方格子里面的落入概率。在某种意义上，就可以估计出联合概率密度分布了。当然，只有在数据量是无穷的情况下我们才可以认为是真的就相等了。所以，导致随后是数据量越大，MIC越好。
   
   分母是之前对散点图分割为与多块，在X方向和Y方向上也就是很多段。所以|X|就是X方向共被分成了多少段。Y方向也一样。限制条件|X||Y|<B，即所有的方格格总数不能大于B。作者说，B取数据总量的0.6或者0.55次方。
3. 将两两特征的散点图划分为多个小格子，计算两两特征的MIC，选择一种划分方式使MIC最大。

代码：

import numpy as np
from minepy import MINE

# 利用linspace 产生x 为均匀分布的数
x = np.linspace(0, 1, 1000)
y = np.sin(10 * np.pi * x) + x

# alpha 为上面所提到的限制条件的B的alpha次方
# c 为在X 或Y 方向上划分的格子数 默认为15
mine = MINE(alpha=0.6,c=15) 
# 计算x y 间最大的标准互信息得分
mine.compute_score(x, y)
mine.mic()

# ps: 因此时的只有一对变量，故输出一个mic值

minepy一些参数解释