MIC是一种用于衡量任意两个变量间关系的统计量，旨在识别非线性关联。它通过 Mutual Information 进行计算，并通过分割散点图进行概率估计。尽管有争议，但MIC在大数据集上表现良好。在Python中使用MIC需要注意只支持32位环境。示例展示了MIC如何捕捉到线性相关系数无法识别的正弦关系。
童鞋们觉得文章不错，就麻烦点一下下面人工智能的教程链接吧，然后随便翻阅一下
https://www.captainbed.net/qtlyx
MIC（Maximal information coefficient）一个很神奇的东西，源自于2011年发在sicence上的一个论文。
学过统计的都知道，有相关系数这么一个东西，通常叫做r。但是其实应该叫做线性相关系数，应用领域还是很窄的。而MIC这个东西呢，首先比较general，不管是什么函数关系，都可以识别，换句话说，正弦函数和双曲线函数和直线，对这个系数而言是一样的。此外还有一点，那就是，如果没有噪音的直线关系和没有噪音的正弦函数关系，他们的MIC都是1，加上相同的噪音之后，如果线性关系的MIC变成0.7了，那么正弦函数关系的MIC也变成0.7，换句话说，噪音对MIC造成的影响与变量之间的函数关系无关。当然这一论证在一篇论文中被反驳了，或者说部分反驳了。
为了说明白这个方法，首先引入一个Mutual inforamtion的东西：
是这么定义的。这里x和y是两个联系的随机变量，这个系数也可以用来衡量相关性，但是有很多缺点。比如，非均一性。不过这点在后面的论文中被推翻了，或者说，局部推翻。
p（x，y）是联合概率密度分布函数，想想就很难计算对不对，所以我们就要找一个办法来做这个事。怎么办呢？还记得蒙特卡洛么！这里有那么一点思想是这样的。
我们把两个 随机变量化成散点图，然后不断的用小方格子
最低0.47元/天 解锁文章
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
