mi = mutual_info_regression(X_train[mrmr_features], y) name 'mrmr_features' is not defined

这个错误提示是因为你在这段代码中使用了变量 `mrmr_features`，但是在该变量被使用之前没有定义。你需要先定义 `mrmr_features` 变量并赋值，然后才能在该行代码中使用。具体如何定义和赋值 `mrmr_features` 取决于你的代码实现细节，你可以检查一下是否有遗漏或者误删该变量的代码。

相关问题

mi = mutual_info_regression

`mutual_info_regression` 是一个用于回归问题中计算特征之间互信息的函数，它可以用于度量特征与目标变量之间的相关性。它的实现在 `sklearn.feature_selection` 模块中。

使用 `mutual_info_regression` 可以计算每个特征与目标变量之间的互信息得分，这些得分可以用于特征选择或特征工程等任务。下面是一个简单的示例代码：

from sklearn.datasets import load_boston
from sklearn.feature_selection import mutual_info_regression

# 加载数据集
X, y = load_boston(return_X_y=True)

# 计算特征互信息得分
mi_scores = mutual_info_regression(X, y)

# 输出每个特征的得分
for i in range(len(mi_scores)):
    print('Feature %d: %.4f' % (i, mi_scores[i]))

在上述代码中，我们使用波士顿房价数据集作为示例数据，首先使用 `load_boston` 函数加载数据集。然后使用 `mutual_info_regression` 函数计算每个特征与目标变量之间的互信息得分，并将得分输出到控制台。

需要注意的是，在使用 `mutual_info_regression` 函数计算特征互信息得分时，输入的特征应该是连续的数值型变量，它不适用于分类变量或离散型变量。此外，该函数还有一些参数可以调整，例如使用不同的策略来处理连续变量、指定随机状态等。

skb= SelectKBest(score_func=mutual_info_classif, k=4)

这段代码使用了sklearn库中的SelectKBest类，该类用于特征选择，可以根据指定的评分函数score_func，选出k个最优的特征。在这里，使用了互信息（mutual_info_classif）作为评分函数，k被设置为4。互信息是一种用于衡量两个随机变量之间相互依赖程度的指标，通常用于特征选择和分类模型的建立。