如何计算波段选择问题选择出的子集的NMI的python代码

波谱带选择（Band Selection）通常涉及到特征提取中的重要性评估，而NMI（Normalized Mutual Information）是一种衡量两个分类变量之间相似性的指标，用于衡量通过特征选择得到的子集与原始数据类别之间的关联度。以下是一个简单的Python代码片段，展示如何计算子集特征与类别间的NMI：

from sklearn.feature_selection import SelectKBest
from sklearn.metrics import normalized_mutual_info_score
import numpy as np

# 假设你有特征矩阵X和对应的类别标签y
X = ...  # (样本数, 特征数)
y = ...  # (样本数)

# 使用SelectKBest方法基于某种准则（如信息增益、卡方检验等）选择k个特征
selector = SelectKBest(chi2, k=5)  # 或者其他的评分函数，例如 mutual_info_classif
X_selected = selector.fit_transform(X, y)

# 原始数据的类别编码为one-hot编码或者其他形式的编码
# 假设原类别编码为 encoded_y
encoded_y = ...

# 计算NMI
nmi = normalized_mutual_info_score(encoded_y, selector.get_support(indices=True))

print(f"Selected features' NMI with class labels: {nmi}")