逐点互信息PMI（Pointwise mutual information）
Posted marigolci
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了逐点互信息PMI（Pointwise mutual information）相关的知识，希望对你有一定的参考价值。
逐点互信息(PIM)：用来衡量两个事物的相关性
定义如下：
在概率论中，我们知道，如果x跟y不相关，则 P(x,y) = P(x)P(y)。二者相关性越大，则 P(x,y) 就相比于 P(x)P(y) 越大。根据条件概率公式，你还可以写成
这也很好理解，在y出现的情况下x出现的条件概率 p(x|y) 除以x本身出现的概率 p(x) ，自然就表示x跟y的相关程度。
这里的log来自于信息论的理论，而且 log 1 = 0 ，也恰恰表明P(x,y) = P(x)P(y)，相关性为0，而且log是单调递增函数，所以 “P(x,y) 就相比于 P(x)P(y) 越大，x 和 y 相关性越大” 这一性质也得到保留
引用自
https://www.cnblogs.com/hanxuexi/p/11619031.html
以上是关于逐点互信息PMI（Pointwise mutual information）的主要内容，如果未能解决你的问题，请参考以下文章
机器学习特征筛选：互信息法（mutual information）