Machine learningInformation-theoretic causality

Transfer Entropy

Képzeljünk el két dobost, akik egy szobában játszanak. Ha az, hogy tudjuk, mit játszott Y dobos az utolsó néhány ütemben, segít megjósolni, mit fog játszani X dobos legközelebb – azon túl, amit X saját közelmúltbeli mintázatából már ki tudtunk következtetni –, akkor Y „információt transzferál” X-nek. Az entrópiatranszfer pontosan ezt a többlet prediktív nyereséget méri. Minél nagyobb a nyereség, annál erősebb az Y-ból X-be irányuló hatás, függetlenül attól, hogy a kapcsolat lineáris vagy inherent nemlineáris.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Method map

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

Források

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

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/hu/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

Hivatkozik rá

ScholarGateTransfer Entropy (Transfer Entropy). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/causal-inference/transfer-entropy · Adatkészlet: https://doi.org/10.5281/zenodo.20539026