泛型单变量选择#

class sklearn.feature_selection.GenericUnivariateSelect(score_func=<function f_classif>, *, mode='percentile', param=1e-05)[source]#

具有可配置策略的单变量特征选择器。

更多信息请参见用户指南。

参数：

score_funccallable, default=f_classif: 一个函数，接收两个数组X和y，并返回一对数组(scores, pvalues)。对于'percentile'或'kbest'模式，它可以只返回一个数组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 or int, default=1e-5: 对应模式的参数。

属性:

scores_形状为 (n_features,) 的类数组: 特征的分数。
pvalues_形状为 (n_features,) 的类数组: 特征分数的 p 值，如果 score_func 只返回分数，则为 None。
n_features_in_int: 在 fit 期间看到的特征数量。

0.24 版本新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。只有当 X 的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参阅

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数选择特征。
SelectKBest: 根据 k 个最高分数选择特征。
SelectFpr: 根据错误肯定率检验选择特征。
SelectFdr: 根据估计的错误发现率选择特征。
SelectFwe: 根据全族错误率选择特征。

示例

>>> 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)[source]#

对 (X, y) 运行评分函数并获取相应的特征。

参数：

X形状为 (n_samples, n_features) 的类数组: 训练输入样本。
y形状为 (n_samples,) 或 None 的类数组: 目标值（分类中的类别标签，回归中的实数）。如果选择器是无监督的，则 y 可以设置为 None。

返回:

self对象: 返回实例本身。

fit_transform(X, y=None, **fit_params)[source]#

拟合数据，然后转换它。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数：

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，默认为 None: 目标值（无监督转换则为 None）。
**fit_paramsdict: 附加拟合参数。

返回:

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)[source]#

根据选择的特征屏蔽特征名称。

参数：

input_features字符串类数组或 None，默认为 None

输入特征。

如果 input_features 为 None，则 feature_names_in_ 用作输入特征名称。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，则如果 feature_names_in_ 已定义，则 input_features 必须与 feature_names_in_ 匹配。

返回:

feature_names_out字符串对象的 ndarray: 转换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个 MetadataRequest 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为 True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回:

paramsdict: 参数名称映射到它们的值。

get_support(indices=False)[source]#

获取所选特征的掩码或整数索引。

参数：

indicesbool，默认为 False: 如果为 True，则返回值将是整数数组，而不是布尔掩码。

返回:

support数组: 一个索引，用于从特征向量中选择保留的特征。如果indices为False，则这是一个形状为[# 输入特征]的布尔数组，其中一个元素为True当且仅当其对应的特征被选择保留。如果indices为True，则这是一个形状为[# 输出特征]的整数数组，其值为输入特征向量的索引。

inverse_transform(X)[source]#

反转转换操作。

参数：

X形状为 [n_samples, n_selected_features] 的数组: 输入样本。

返回:

X_r形状为 [n_samples, n_original_features] 的数组: X，其中插入了零列，这些列在transform中将被移除特征的位置。

set_output(*, transform=None)[source]#

设置输出容器。

参见 Introducing the set_output API，了解如何使用API的示例。

参数：

transform{"default", "pandas", "polars"}, default=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：转换配置保持不变

版本 1.4 中新增： "polars" 选项已添加。

返回:

self估计器实例: 估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数：

**params字典: 估计器参数。

返回:

self估计器实例: 估计器实例。

transform(X)[source]#

将X简化为选定的特征。

参数：

X形状为 [n_samples, n_features] 的数组: 输入样本。

返回:

X_r形状为 [n_samples, n_selected_features] 的数组: 仅包含选定特征的输入样本。