最大相关最小冗余算法提取特征波长的代码

以下是使用Python实现的mRMR算法提取特征波长的代码示例：

import numpy as np
from sklearn.feature_selection import mutual_info_classif

def mrmr(X, y, k):
    """
    :param X: 特征矩阵，形状为(n_samples, n_features)
    :param y: 目标变量，形状为(n_samples,)
    :param k: 提取的特征数
    :return: 选择的特征索引列表
    """
    n_features = X.shape[1]
    selected = []
    remaining = list(range(n_features))
    mi = mutual_info_classif(X, y) # 计算互信息
    mi = np.array(mi)
    while len(selected) < k:
        if len(selected) == 0:
            # 选择与目标变量相关性最高的特征
            idx = np.argmax(mi[remaining])
        else:
            # 计算每个特征与已选择特征之间的冗余程度
            redundancy = np.zeros(len(remaining))
            for i, j in enumerate(remaining):
                for k in selected:
                    redundancy[i] += mutual_info_classif(X[:, j:j+1], X[:, k:k+1])
            # 选择冗余程度最小的特征
            idx = np.argmin(redundancy)
        selected.append(remaining[idx])
        remaining.pop(idx)
    return selected

此代码实现了mRMR算法的主要逻辑，其中用到了sklearn库中的mutual_info_classif函数来计算特征与目标变量之间的互信息。具体使用时，只需要将特征矩阵X和目标变量y作为参数传入该函数，并指定要提取的特征数k，就可以得到选择的特征索引列表。