Machine learningInformation-theoretic causality

Εντροπία Μεταφοράς

Η Εντροπία Μεταφοράς (TE) είναι ένα μη παραμετρικό, θεωρητικό-πληροφοριακό μέτρο κατευθυντικής στατιστικής εξάρτησης μεταξύ δύο χρονοσειρών, που εισήχθη από τον Thomas Schreiber το 2000. Βασιζόμενη στην εντροπία Shannon, ποσοτικοποιεί πόση πληροφορία από το παρελθόν μιας διαδικασίας Y μειώνει την αβεβαιότητα σχετικά με την επόμενη κατάσταση μιας άλλης διαδικασίας X, πέραν αυτού που ήδη παρέχει το δικό της παρελθόν. Σε αντίθεση με τη γραμμική συσχέτιση ή την αιτιότητα Granger, η TE συλλαμβάνει μη γραμμικές αλληλεπιδράσεις και δεν απαιτεί υποθέσεις μοντέλου για τη υποκείμενη δυναμική.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/el/causal-inference/transfer-entropy

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Αναφέρεται από

ScholarGateTransfer Entropy (Transfer Entropy). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/causal-inference/transfer-entropy · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026