《表2 特征之间的互信息：基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于MRMR-HK-SVM模型的PM_(2.5)浓度预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:PM2.5p代表下一日PM2.5浓度；其余特征均代表当天观测值.

本文收集了赣州市2017年全年的11个特征数据，由此产生下一日PM2.5浓度时序数据，记为PM2.5p.表2给出了12个特征间的互信息值，值越大表示特征间的相关性越强.有些特征间确实存在着强相关性，不能单纯认为特征之间互相独立从而进行特征选择.PM2.5p作为预测模型的输出，其与PM10、CO、O3、气压和温度的相关性最强，同时考虑特征间冗余度时，MRMR算法选出的最优子集包括PM10、O3、降水、气压和温度特征，即上述5个特征作为预测模型的输入.与PM2.5p有着极强相关性的CO并没有被包括在最优输入子集中，这是因为CO与PM10、O3的相关性极强，在一定程度上证明MRMR算法确实能够考虑到数据间的冗余，进而选出最优的输入子集.