SelectFwe#
- class sklearn.feature_selection.SelectFwe(score_func=<function f_classif>, *, alpha=0.05)[source]#
筛选器：选择与家族错误率（Family-wise error rate）相对应的 p 值。
在用户指南中阅读更多内容。
- 参数:
- score_func可调用对象，默认值为 f_classif
接受两个数组 X 和 y 作为输入，并返回一对数组（得分，p 值）的函数。默认值为 f_classif（参见下面的“另请参阅”）。此默认函数仅适用于分类任务。
- alpha浮点数，默认值为 5e-2
要保留的特征的最高未校正 p 值。
- 属性:
另请参阅
f_classif分类任务中标签/特征之间的 ANOVA F 值。
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。
SelectPercentile根据最高得分的百分位数选择特征。
SelectKBest根据 k 个最高得分选择特征。
SelectFpr根据假阳性率测试选择特征。
SelectFdr根据估计的错误发现率选择特征。
GenericUnivariateSelect具有可配置模式的单变量特征选择器。
示例
>>> from sklearn.datasets import load_breast_cancer >>> from sklearn.feature_selection import SelectFwe, chi2 >>> X, y = load_breast_cancer(return_X_y=True) >>> X.shape (569, 30) >>> X_new = SelectFwe(chi2, alpha=0.01).fit_transform(X, y) >>> X_new.shape (569, 15)
- 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) 的类数组对象
训练输入样本。
- y形状为 (n_samples,) 的类数组对象或 None
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，然后对其进行转换。
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) 的类数组对象
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认值为 None
目标值（无监督转换时为 None）。
- **fit_params字典
额外的拟合参数。
- 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]#
根据所选特征遮罩特征名称。
- 参数:
- input_features字符串类数组对象或 None，默认值为 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是类数组对象，则如果feature_names_in_已定义，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。
请查阅用户指南，了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
封装路由信息的
MetadataRequest对象。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deep布尔值，默认值为 True
如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回:
- params字典
参数名称及其对应的值。
- 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，默认值为 False
如果为 True，返回值将是一个整数数组，而不是布尔掩码。
- 返回:
- support数组
从特征向量中选择保留特征的索引。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 当且仅当其对应特征被选中保留。如果indices为 True，则这是一个形状为 [# 输出特征] 的整数数组，其值是输入特征向量的索引。
- inverse_transform(X)[source]#
逆转转换操作。
- 参数:
- X形状为 [n_samples, n_selected_features] 的数组
输入样本。
- 返回:
- X_original形状为 [n_samples, n_original_features] 的数组
通过
transform移除特征后，在相应位置插入零列的X。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例，请参阅set_output API 介绍。
- 参数:
- transform{"default", "pandas", "polars"}，默认值为 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
1.4 版本新增：添加了
"polars"选项。
- 返回:
- self估计器实例
估计器实例。