skfeature.function.similarity_based.lap_score

 
Modules
       
scipy.sparse.base
scipy.sparse.bsr
scipy.sparse.compressed
scipy.sparse.construct
scipy.sparse.coo
scipy.sparse.csc
scipy.sparse.csgraph
scipy.sparse.csr
scipy.sparse.data
scipy.sparse.dia
scipy.sparse.dok
scipy.sparse.extract
scipy.sparse.lil
numpy
scipy.sparse.sputils

 
Functions
       
feature_ranking(score)
Rank features in ascending order according to their laplacian scores, the smaller the laplacian score is, the more
important the feature is
lap_score(X, **kwargs)
This function implements the laplacian score feature selection, steps are as follows:
1. Construct the affinity matrix W if it is not specified
2. For the r-th feature, we define fr = X(:,r), D = diag(W*ones), ones = [1,...,1]', L = D - W
3. Let fr_hat = fr - (fr'*D*ones)*ones/(ones'*D*ones)
4. Laplacian score for the r-th feature is score = (fr_hat'*L*fr_hat)/(fr_hat'*D*fr_hat)
 
Input
-----
X: {numpy array}, shape (n_samples, n_features)
    input data
kwargs: {dictionary}
    W: {sparse matrix}, shape (n_samples, n_samples)
        input affinity matrix
 
Output
------
score: {numpy array}, shape (n_features,)
    laplacian score for each feature
 
Reference
---------
He, Xiaofei et al. "Laplacian Score for Feature Selection." NIPS 2005.