特征选择之最小冗余最大相关性(mRMR)

最小冗余最大相关性(mRMR)是一种滤波式的特征选择方法，由Peng et.al提出。
用途：图像识别，机器学习等
一种常用的特征选择方法是最大化特征与分类变量之间的相关度，就是选择与分类变量拥有最高相关度的前k个变量。但是，在特征选择中，单个好的特征的组合并不能增加分类器的性能，因为有可能特征之间是高度相关的，这就导致了特征变量的冗余。这就是Peng et.al说的“the m best features are not the best m features”。因此最终有了mRMR，
即最大化特征与分类变量之间的相关性，而最小化特征与特征之间的相关性。这就是mRMR的核心思想。

互信息

定义：给定两个随机变量x和y，他们的概率密度函数（对应于连续变量）为$p(x),p(y),p(x,y)$，则互信息为
$$I(x;y)=\int \int p(x,y)log\frac{p(x,y)}{p(x)p(y)}dxdy$$

mRMR算法

我们的目标就是找出含有 m { x i } m\{x_i\} m{
xi​}个特征的特征子集$S$
离散变量
最大相关性:
$$maxD(S,c),D=\frac{1}{|S|}{\Sigma }_{x_i\in S}I(x_i;c)$$
$x_i为第i个特征，c为类别变量，S为特征子集$
最小冗余度：
$$minR(S),R=\frac{1}{|S{|}^2}{\Sigma }_{x_i,x_j\in S}I(x_i;x_j)$$
连续变量
最大相关性:
$$max{D}_F,D_F=\frac{1}{|S|}{\Sigma }_{x_i\in S}F(x_i;c)$$
$F(x_i,c)为F统计量$
最小冗余度：
$$min{R}_c,R=\frac{1}{|S{|}^2}{\Sigma }_{x_i,x_j\in S}c(x_i;x_j)$$
$c(x_i,x_j)为相关函数$
当然，对于这些目标函数，还可以换做其他的函数，像信息增益，基尼指数等。
然后整合最大相关性和最小冗余度：
加法整合：
$$max\Phi (D,R),\Phi =D-R$$
乘法整合：
$$max\Phi (D,R),\Phi =D/R$$
在实践中，用增量搜索方法寻找近似最优的特征。假设我们已有特征集$S_{m-1}$，我们的任务就是从剩下的特征$X-S_{m-1}$中找到第m个特征，通过选择特征使得$\Phi (.)$最大。增量算法优化下面的条件：
$$ma{x}_{x_j\in X-S_{m-1}}[I(x_j;c)-\frac{1}{m-1}{\Sigma }_{x_i\in S_{m-1}}I(x_j;x_i)]$$
其算法的复杂度为$O(|S|\cdot M)$
##算法优点

• 速度快
• 估计结果更鲁棒
• 是$I(.)$的一阶最优估计

代码实现：FeatureSelectionsAndExtractions

参考
【Hanchuan Peng et.al】Feature Selection Based on Mutual Information: Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy
【Barry O’Sullivan, Cork】Feature Selection for High-Dimensional Data

今天的文章特征选择之最小冗余最大相关性(mRMR)分享到此就结束了，感谢您的阅读。