The measure K in (5) is the Kullbac

The measure K in (5) is the Kullback–Leibler divergence [15,16] between two densities which can also be used as a measure of MI. From the above equations, we need to know the probability density function (PDF) of the variables to calculate MI.
Since the data we obtain is of finite samples, the PDF cannot be calculated accurately. Several methods have been developed for estimating the MI in [12,15,16]. Once a particular method is chosen for calculating MI then one of the simplest methods for feature selection is to find the MI between each feature and the output class labels and rank them based on this value. A threshold is set to select d < D features. This is a simple method and the results can be poor [13] since inter-feature MI is not taken into account. But MI is an important concept and is used in embedded methods which will be presented in a later section.

Kết quả (Việt) 1:

Các biện pháp K trong (5) là phân kỳ Kullback-Leibler [15,16] giữa hai mật độ cũng có thể được sử dụng như một biện pháp của MI. Từ phương trình ở trên, chúng ta cần phải biết hàm mật độ xác suất (PDF) của các biến để tính toán MI.Kể từ khi các dữ liệu chúng tôi có được là hữu hạn mẫu, PDF không thể được tính toán một cách chính xác. Một số phương pháp đã được phát triển cho ước tính MI tại [12,15,16]. Một khi một phương pháp cụ thể được chọn để tính toán MI sau đó một trong những phương pháp đơn giản nhất để lựa chọn tính năng là để tìm MI giữa mỗi tính năng và sản lượng lớp nhãn và xếp hạng chúng dựa trên giá trị này. Một ngưỡng được thiết lập để chọn d < D tính năng. Đây là một phương pháp đơn giản và các kết quả có thể được người nghèo [13] kể từ khi tính năng liên MI không được đưa vào tài khoản. Nhưng MI là một khái niệm quan trọng và được sử dụng trong phương pháp nhúng mà sẽ được trình bày trong một phần sau này.

Kết quả (Việt) 2:

Các biện pháp K ở (5) là sự phân kỳ Kullback-Leibler [15,16] giữa hai mật độ mà cũng có thể được sử dụng như một biện pháp của MI. Từ các phương trình trên, chúng ta cần phải biết hàm mật độ xác suất (PDF) của các biến để tính toán MI.
Kể từ khi dữ liệu chúng tôi có được là các mẫu hữu hạn, PDF không thể được tính toán chính xác. Một số phương pháp đã được phát triển cho việc ước lượng MI trong [12,15,16]. Khi một phương pháp cụ thể được chọn để tính MI sau đó một trong những phương pháp đơn giản nhất để lựa chọn tính năng là để tìm MI giữa mỗi tính năng và các nhãn lớp đầu ra và xếp hạng chúng dựa trên giá trị này. Một ngưỡng được thiết lập để chọn d <tính năng D. Đây là một phương pháp đơn giản và kết quả có thể được người nghèo [13] kể từ khi liên tính năng MI là không đưa vào tài khoản. Nhưng MI là một khái niệm quan trọng và được sử dụng trong phương pháp nhúng trong đó sẽ được trình bày trong phần sau.