sklearn.feature_selection

特征选择算法。

这些包括单变量过滤选择方法和递归特征消除算法。

用户指南。 详见特征选择章节。

GenericUnivariateSelect	具有可配置策略的单变量特征选择器。
RFE	使用递归特征消除进行特征排序。
RFECV	使用交叉验证的递归特征消除进行特征选择。
SelectFdr	过滤器：根据估计的错误发现率选择p值。
SelectFpr	过滤器：根据FPR测试选择低于alpha的p值。
SelectFromModel	用于根据重要性权重选择特征的元转换器。
SelectFwe	过滤器：选择对应于家族错误率的p值。
SelectKBest	根据k个最高分数选择特征。
SelectPercentile	根据最高分数的百分位数选择特征。
SelectorMixin	给定支持掩码执行特征选择的转换器mixin。
SequentialFeatureSelector	执行序列特征选择的转换器。
VarianceThreshold	移除所有低方差特征的特征选择器。
chi2	计算每个非负特征和类别之间的卡方统计量。
f_classif	计算给定样本的ANOVA F值。
f_regression	返回F统计量和p值的单变量线性回归测试。
mutual_info_classif	估计离散目标变量的互信息。
mutual_info_regression	估计连续目标变量的互信息。
r_regression	计算每个特征与目标变量的皮尔逊r值。