skfeature.function.information_theoretical_based.LCSI

 
Modules
       
numpy
numpy.random
random
scipy.spatial

 
Functions
       
lcsi(X, y, **kwargs)
This function implements the basic scoring criteria for linear combination of shannon information term.
The scoring criteria is calculated based on the formula j_cmi=I(f;y)-beta*sum_j(I(fj;f))+gamma*sum(I(fj;f|y))
 
Input
-----
X: {numpy array}, shape (n_samples, n_features)
    input data, guaranteed to be a discrete data matrix
y: {numpy array}, shape (n_samples,)
    input class labels
kwargs: {dictionary}
    Parameters for different feature selection algorithms.
    beta: {float}
        beta is the parameter in j_cmi=I(f;y)-beta*sum(I(fj;f))+gamma*sum(I(fj;f|y))
    gamma: {float}
        gamma is the parameter in j_cmi=I(f;y)-beta*sum(I(fj;f))+gamma*sum(I(fj;f|y))
    function_name: {string}
        name of the feature selection function
    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.