方差阈值#
- class sklearn.feature_selection.VarianceThreshold(threshold=0.0)[source]#
移除所有低方差特征的特征选择器。
此特征选择算法仅查看特征 (X)，而不查看所需输出 (y)，因此可用于无监督学习。
在用户指南中了解更多信息。
- 参数：
- thresholdfloat, default=0
训练集方差低于此阈值的特征将被移除。默认情况下，保留所有方差非零的特征，即移除在所有样本中具有相同值的特征。
- 属性：
另请参见
SelectFromModel基于重要性权重选择特征的元变换器。
SelectPercentile根据最高分数的百分位数选择特征。
SequentialFeatureSelector执行顺序特征选择的变换器。
备注
允许输入中存在NaN。如果X中没有特征满足方差阈值，则引发ValueError。
示例
以下数据集具有整数特征，其中两个在每个样本中都相同。使用threshold的默认设置将其移除。
>>> from sklearn.feature_selection import VarianceThreshold >>> X = [[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]] >>> selector = VarianceThreshold() >>> selector.fit_transform(X) array([[2, 0], [1, 4], [1, 1]])
- fit(X, y=None)[source]#
从 X 中学习经验方差。
- 参数：
- X{数组型，稀疏矩阵}，形状 (n_samples, n_features)
用于计算方差的数据，其中
n_samples是样本数，n_features是特征数。- y任意，默认=None
忽略。此参数仅为了与 sklearn.pipeline.Pipeline 保持兼容性。
- 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) 的数组型
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的数组型，默认=None
目标值（无监督转换时为 None）。
- **fit_params字典
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]#
根据选择的特征掩盖特征名称。
- 参数：
- input_features字符串数组型或 None，默认=None
输入特征。
如果
input_features为None，则使用feature_names_in_作为输入特征名称。如果未定义feature_names_in_，则生成以下输入特征名称：["x0", "x1", ..., "x(n_features_in_ - 1)"]。如果
input_features是一个数组型，则如果定义了feature_names_in_，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封装了路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deep布尔值，默认=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:
- params字典
参数名称映射到其值。
- get_support(indices=False)[source]#
获取所选特征的掩码或整数索引。
- 参数：
- indices布尔值，默认=False
如果为 True，则返回值将是一个整数数组，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中以保留。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
在
transform方法会移除特征的位置插入零列的X。
- set_output(*, transform=None)[source]#
设置输出容器。
参见 Introducing the set_output API 了解如何使用该API。
- 参数：
- transform {“default”, “pandas”, “polars”}, 默认值=None
配置
transform和fit_transform的输出。"default": 变换器的默认输出格式"pandas": DataFrame 输出"polars": Polars 输出None: 变换配置不变
1.4版本中新增:
"polars"选项已添加。
- 返回:
- self估计器实例
估计器实例。