ML之MIC:利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现

简介: ML之MIC:利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现

 

目录

利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现

实现结果

实现代码


 

 

 

利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现

实现结果

1. 正在执行B盘的数据
2. 0         1         2         3         4         5         6   \
3. 0   0.993748  0.992363  0.865935  0.158754  0.199621  0.238159  0.859997
4. 1   0.992363  0.998222  0.584723  0.302727  0.307473  0.298183  0.695466
5. 2   0.865935  0.584723  0.999999  0.801459  0.805825  0.793084  0.935439
6. 3   0.158754  0.302727  0.801459  0.999574  0.999574  0.965256  0.963887
7. 4   0.199621  0.307473  0.805825  0.999574  0.999999  0.968664  0.966409
8. 5   0.238159  0.298183  0.793084  0.965256  0.968664  0.999999  0.935723
9. 6   0.859997  0.695466  0.935439  0.963887  0.966409  0.935723  0.999710
10. 7   0.632709  0.484949  0.818616  0.963887  0.966409  0.915654  0.995471
11. 8   0.241095  0.230026  0.545492  0.530788  0.669366  0.473332  0.486489
12. 9   0.368982  0.289529  0.250506  0.138713  0.215880  0.161387  0.137730
13. 10  0.423532  0.331815  0.331008  0.253744  0.262192  0.261714  0.295448
14. 11  0.841959  0.826301  0.772081  0.173843  0.239098  0.253886  0.781008
15. 
16. 7         8         9         10        11
17. 0   0.632709  0.241095  0.368982  0.423532  0.841959
18. 1   0.484949  0.230026  0.289529  0.331815  0.826301
19. 2   0.818616  0.545492  0.250506  0.331008  0.772081
20. 3   0.963887  0.530788  0.138713  0.253744  0.173843
21. 4   0.966409  0.669366  0.215880  0.262192  0.239098
22. 5   0.915654  0.473332  0.161387  0.261714  0.253886
23. 6   0.995471  0.486489  0.137730  0.295448  0.781008
24. 7   0.999864  0.473332  0.108656  0.261138  0.573823
25. 8   0.473332  0.995335  0.275280  0.295224  0.190111
26. 9   0.108656  0.275280  0.999993  0.901033  0.408306
27. 10  0.261138  0.295224  0.901033  0.999993  0.374089
28. 11  0.573823  0.190111  0.408306  0.374089  0.999935

image.png


 image.png

 

实现代码

相关文章ML之MIC:利用某数据集计算机最大信息系数MIC并可视化MIC矩阵热图及其代码实现

1. 
2. from minepy import MINE
3. import seaborn as sns
4. 
5. 
6. def MIC_matirx_ShowHeatMap(DataFrame):
7.     colormap = plt.cm.RdBu
8.     ylabels = DataFrame.columns.values.tolist()
9.     f, ax = plt.subplots(figsize=(14, 14))
10.     ax.set_title('MIC Matirx HeatMap')
11.     sns.heatmap(DataFrame.astype(float),
12.                 cmap=colormap,ax=ax,annot=True,
13.                 yticklabels=ylabels,xticklabels=ylabels)
14.     plt.show()
15. 
16. MIC_matirx_ShowHeatMap(data_MIC_matirx)
17.

 


相关文章
|
消息中间件 NoSQL Cloud Native
对Confluent一些解读
对Kafka母公司Confluent IPO、产品、技术一些看法
5317 0
对Confluent一些解读
|
负载均衡 应用服务中间件 API
Nginx配置文件详解Nginx负载均衡Nginx静态配置Nginx反向代理
Nginx配置文件详解Nginx负载均衡Nginx静态配置Nginx反向代理
335 4
|
8月前
|
机器学习/深度学习 人工智能 自然语言处理
《打破黑箱:深度学习模型可解释性的攻坚之路》
深度学习模型在图像识别、自然语言处理等领域取得了显著成果,但其“黑箱”特性引发了可靠性、安全性和透明度的担忧。这种不可解释性在医疗、金融和自动驾驶等场景中可能导致不确定性或信任危机。为解决这一问题,研究者从模型可视化、特征重要性分析、设计可解释模型架构及事后解释方法等方向展开探索。然而,现有方法仍面临局部解释性、计算成本高及缺乏统一评估标准等问题。实现深度学习模型的可解释性是AI走向成熟与广泛应用的关键,未来需学术界与产业界共同努力,推动技术进步以造福社会。
680 9
|
存储 关系型数据库 MySQL
【MySQL】1-深入理解MySQL的索引机制
【MySQL】1-深入理解MySQL的索引机制
|
9月前
|
人工智能 JSON 安全
酒店旅游API:数据交互的隐形桥梁——以携程API为例
携程API提供酒店旅游行业的实时数据互通、业务自动化及生态扩展功能,涵盖酒店详情获取、搜索、房态管理、订单处理和支付等核心接口。技术架构采用微服务集群与数据中台,支持高并发和金融级安全防护。挑战包括高并发、数据一致性和商业博弈,未来将融合AI、元宇宙和区块链技术,实现智能旅游体验。
|
11月前
|
机器学习/深度学习 数据采集 运维
数据分布检验利器:通过Q-Q图进行可视化分布诊断、异常检测与预处理优化
Q-Q图(Quantile-Quantile Plot)是一种强大的可视化工具,用于验证数据是否符合特定分布(如正态分布)。通过比较数据和理论分布的分位数,Q-Q图能直观展示两者之间的差异,帮助选择合适的统计方法和机器学习模型。本文介绍了Q-Q图的工作原理、基础代码实现及其在数据预处理、模型验证和金融数据分析中的应用。
1390 11
数据分布检验利器:通过Q-Q图进行可视化分布诊断、异常检测与预处理优化
|
存储 缓存 中间件
谈谈中间件开发,给想从事中间件开发的同学
本文主要是写给那些想从事中间件开发的同学看的 :) 如果你没有这个打算,那么本文的学习路线非但不实用,还可能会影响你正常的工作 :) 什么是中间件开发?
1365 106
|
分布式计算 运维 大数据
混合云模式下 MaxCompute + Hadoop 混搭大数据架构实践。
除了资源效率和成本的优势外,混合云模式还为斗鱼带来了可量化的成本、增值服务以及额外的专业服务。阿里云的专业团队可以为斗鱼提供技术咨询和解决方案,帮助斗鱼解决业务难题。此外,计算资源的可量化也使得斗鱼能够清晰地了解资源使用情况,为业务决策提供依据。
|
安全 网络安全 网络虚拟化
虚拟网络设备的网络隔离机制:原理、意义与应用场景深度分析
虚拟网络设备在现代网络架构中扮演着重要角色🌐,尤其是在实现网络隔离方面🛡️。网络隔离是网络安全🔒和多租户环境管理的关键组成部分,它能够确保不同网络流量的分离🚦,保护敏感数据💾,减少攻击面。虚拟网络设备通过在软件层面上模拟物理网络设备的行为,提供了一种灵活且成本效益高的方式来实现这些目标。本文将从多个维度深入分析虚拟网络设备是如何隔离网络的,这种隔离有什么实际意义,为什么需要虚拟网络设备来隔离网络,以及在什么场景下比较适合使用虚拟网络设备隔离网络。
|
机器学习/深度学习
【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式
机器学习评估指标中的准确率、精确率、召回率、误报率和漏报率等概念,并给出了这些指标的计算公式。
3258 0