官网：sklearn.feature_selection.mutual_info_classif
函数
sklearn.feature_selection.mutual_info_classif(X, y, discrete_features='auto', n_neighbors=3, copy=True, random_state=None)[source]
估计离散目标变量的互信息。
两个随机变量之间的互信息（MI）[1]是非负值，用于衡量变量之间的依存关系。当且仅当两个随机变量是独立的，并且等于较高的值意味着较高的依赖性时，它等于零。
该函数依赖于非参数方法，该方法基于[ k]最近邻居距离的熵估计，如[2]和[3]中所述。两种方法都基于[4]中最初提出的想法。
参数说明
Parameters
----------
X: array_like or sparse matrix, shape (n_samples, n_features)
Feature matrix.
特征矩阵。
y：array_like, shape (n_samples,)
Target vector.
标签向量。
discrete_features：{‘auto’, bool, array_like}, default=‘auto’
如果为'auto'，则将其分配给False（表示稠密）X，将其分配给True（表示稀疏）X。
如果是bool，则确定是考虑所有特征是离散特征还是连续特征。
如果是数组，则它应该是具有形状（n_features，）的布尔蒙版或具有离散特征索引的数组。
n_neighbors：int, default=3
用于连续变量的MI估计的邻居数；
较高的值会减少估计的方差，但可能会带来偏差。
copy：bool, default=True
是否复制给定的数据。如果设置为False，则初始数据将被覆盖。
random_state：int, RandomState instance or None, optional, default None
确定随机数生成，以将小噪声添加到连续变量中以删除重复值。
在多个函数调用之间传递int以获得可重复的结果。
Returns
-------
mi：ndarray, shape (n_features,)
每个功能和目标之间的估计相互信息。
笔记
-
使用术语“离散特征”而不是将它们命名为“分类”，因为它可以更准确地描述要素。例如，图像的像素强度是离散的特征（但很难分类），如果将其标记为这样，您将获得更好的结果。还要注意，将连续变量视为离散变量，反之亦然通常会产生错误的结果，因此请注意这一点。
-
真正的共同信息不能是负面的。如果其估计结果为负，则将其替换为零。