175
个编辑
更改
→冗余信息计算方法
不出所料，<math>X_1</math>和<math>X_2</math>传达的关于Y的唯一信息是{0:1}，这是协同信息。
不出所料，<math>X_1</math>和<math>X_2</math>传达的关于Y的唯一信息是{0:1}，这是协同信息。
下面介绍如何用dit库进行一次完整的部分信息分解实验：（详见https://dit.readthedocs.io/en/latest/measures/pid.html）
下面介绍如何用dit库进行一次完整的部分信息分解实验：（详见https://dit.readthedocs.io/en/latest/measures/pid.html）（以Williams & Beer为例）
首先在python里导入dit.pit：In [1]: from dit.pid import *
随后给出一个分布：In [2]: d = dit.Distribution(['000', '011', '102', '113'], [1/4]*4)
用给出的分布进行PID分解：In [3]: PID_WB(d)
输出结果：Out[13]:
+--------+--------+--------+
| I_min | I_r | pi |
+--------+--------+--------+
| {0:1} | 2.0000 | 1.0000 |
| {0} | 1.0000 | 0.0000 |
| {1} | 1.0000 | 0.0000 |
| {0}{1} | 1.0000 | 1.0000 |
+--------+--------+--------+
还有专门实现PID计算的pietromarchesi库：https://github.com/pietromarchesi/pidpy
还有专门实现PID计算的pietromarchesi库：https://github.com/pietromarchesi/pidpy
pidpy 支持任何数量的特征变量，其取值为二进制。对于取值为非二进制整数变量的情况，仅支持三元组。一般来说，一个好的经验法则是确保 n_variables < log2(n_samples / (3*n_labels))。
pidpy 支持任何数量的特征变量，其取值为二进制。对于取值为非二进制整数变量的情况，仅支持三元组。一般来说，一个好的经验法则是确保 n_variables < log2(n_samples / (3*n_labels))。
主类 PIDCalculator 可以用形状为 (n_samples, n_variables) 的特征数组 X 和形状为 (n_samples,) 的标签数组 y 来实例化，
主类 PIDCalculator 可以用形状为 (n_samples, n_variables) 的源头变量数组输入 X 和形状为 (n_samples,) 的标签数组输入y，
python代码如下：
python代码如下：