skfeature.function.information_theoretical_based.CMIM

 
Modules
       
numpy
numpy.random
random
scipy.spatial

 
Functions
       
cmim(X, y, **kwargs)
This function implements the CMIM feature selection.
The scoring criteria is calculated based on the formula j_cmim=I(f;y)-max_j(I(fj;f)-I(fj;f|y))
 
Input
-----
X: {numpy array}, shape (n_samples, n_features)
    Input data, guaranteed to be a discrete numpy array
y: {numpy array}, shape (n_samples,)
    guaranteed to be a numpy array
kwargs: {dictionary}
    n_selected_features: {int}
        number of features to select
 
Output
------
F: {numpy array}, shape (n_features,)
    index of selected features, F(1) is the most important feature
 
Reference
---------
Brown, Gavin et al. "Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selection." JMLR 2012.