GenericUnivariateSelect#
- class sklearn.feature_selection.GenericUnivariateSelect(score_func=<function f_classif>, *, mode='percentile', param=1e-05)#
单变量特征选择器，具有可配置的策略。
更多信息请参阅 用户指南 。
- Parameters:
- score_funccallable, default=f_classif
接受两个数组 X 和 y，并返回一对数组 (scores, pvalues) 的函数。对于 ‘percentile’ 或 ‘kbest’ 模式，它可以返回单个数组 scores。
- mode{‘percentile’, ‘k_best’, ‘fpr’, ‘fdr’, ‘fwe’}, default=’percentile’
特征选择模式。请注意，
'percentile'和'kbest'模式支持无监督特征选择（当y为None时）。- param“all”, float 或 int, default=1e-5
相应模式的参数。
- Attributes:
See also
f_classif分类任务中标签/特征之间的 ANOVA F 值。
mutual_info_classif离散目标的互信息。
chi2分类任务中非负特征的卡方统计量。
f_regression回归任务中标签/特征之间的 F 值。
mutual_info_regression连续目标的互信息。
SelectPercentile根据最高分数的百分位选择特征。
SelectKBest根据 k 个最高分数选择特征。
SelectFpr根据假阳性率测试选择特征。
SelectFdr根据估计的假发现率选择特征。
SelectFwe根据族系误差率选择特征。
Examples
>>> from sklearn.datasets import load_breast_cancer >>> from sklearn.feature_selection import GenericUnivariateSelect, chi2 >>> X, y = load_breast_cancer(return_X_y=True) >>> X.shape (569, 30) >>> transformer = GenericUnivariateSelect(chi2, mode='k_best', param=20) >>> X_new = transformer.fit_transform(X, y) >>> X_new.shape (569, 20)
- fit(X, y=None)#
运行评分函数在 (X, y) 上并获取适当的特征。
- Parameters:
- X形状为 (n_samples, n_features) 的类数组
训练输入样本。
- y形状为 (n_samples,) 的类数组或 None
目标值（在分类中为类别标签，在回归中为实数）。如果选择器是无监督的，则可以将
y设置为None。
- Returns:
- selfobject
返回实例本身。
- fit_transform(X, y=None, **fit_params)#
拟合数据，然后进行转换。
将转换器拟合到
X和y，并带有可选参数fit_params， 并返回X的转换版本。- Parameters:
- X形状为 (n_samples, n_features) 的类数组
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None
目标值（无监督转换为 None）。
- **fit_paramsdict
其他拟合参数。
- Returns:
- X_new形状为 (n_samples, n_features_new) 的 ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)#
屏蔽根据选定特征的特征名称。
- Parameters:
- input_features字符串的类数组或None, 默认=None
输入特征。
如果
input_features是None，则使用feature_names_in_作为输入特征名称。如果feature_names_in_未定义，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。如果
input_features是类数组，则input_features必须与feature_names_in_匹配，如果feature_names_in_已定义。
- Returns:
- feature_names_out字符串对象的ndarray
转换后的特征名称。
- get_metadata_routing()#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- Returns:
- routingMetadataRequest
MetadataRequest封装的 路由信息。
- get_params(deep=True)#
获取此估计器的参数。
- Parameters:
- deepbool, 默认=True
如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。
- Returns:
- paramsdict
参数名称映射到它们的值。
- get_support(indices=False)#
获取一个掩码或整数索引，用于选择特征。
- Parameters:
- indicesbool, 默认=False
如果为True，返回值将是一个整数数组，而不是一个布尔掩码。
- Returns:
- supportarray
一个从特征向量中选择保留特征的索引。如果
indices为False，这是一个布尔数组，形状为 [# 输入特征]，其中元素为True当且仅当其对应的特征被选择保留。如果indices为 True，这是一个整数数组，形状为[# 输出特征]，其值为输入特征向量的索引。
- inverse_transform(X)#
反转变换操作。
- Parameters:
- X形状为 [n_samples, n_selected_features] 的数组
输入样本。
- Returns:
- X_r形状为 [n_samples, n_original_features] 的数组
X在特征被transform方法移除的地方插入零列。
- set_output(*, transform=None)#
设置输出容器。
请参阅 介绍 set_output API 以了解如何使用API的示例。
- Parameters:
- transform{“default”, “pandas”, “polars”}, 默认=None
配置
transform和fit_transform的输出。"default": 转换器的默认输出格式"pandas": DataFrame 输出"polars": Polars 输出None: 转换配置不变
Added in version 1.4:
"polars"选项已添加。
- Returns:
- self估计器实例
估计器实例。
- set_params(**params)#
设置此估计器的参数。
该方法适用于简单估计器以及嵌套对象（例如
Pipeline）。后者具有形式为<component>__<parameter>的参数，以便可以更新嵌套对象的每个组件。- Parameters:
- **paramsdict
估计器参数。
- Returns:
- selfestimator instance
估计器实例。
- transform(X)#
将X 缩减为选定的特征。
- Parameters:
- Xarray of shape [n_samples, n_features]
输入样本。
- Returns:
- X_rarray of shape [n_samples, n_selected_features]
仅包含所选特征的输入样本。