SelectFdr#

class sklearn.feature_selection.SelectFdr(score_func=<function f_classif>, *, alpha=0.05)[source]#

过滤器：为估算的错误发现率选择 p 值。

This uses the Benjamini-Hochberg procedure. alpha is an upper bound on the expected false discovery rate.

在用户指南中阅读更多内容。

参数:

score_funccallable, default=f_classif: Function taking two arrays X and y, and returning a pair of arrays (scores, pvalues). Default is f_classif (see below “See Also”). The default function only works with classification tasks.
alphafloat, default=5e-2: The highest uncorrected p-value for features to keep.

属性:

scores_array-like of shape (n_features,): 特征得分。
pvalues_array-like of shape (n_features,): p-values of feature scores.
n_features_in_int: 在拟合期间看到的特征数。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

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。
SelectFwe: 根据家族错误率选择特征。
GenericUnivariateSelect: Univariate feature selector with configurable mode.

References

https://en.wikipedia.org/wiki/False_discovery_rate

示例

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.feature_selection import SelectFdr, chi2
>>> X, y = load_breast_cancer(return_X_y=True)
>>> X.shape
(569, 30)
>>> X_new = SelectFdr(chi2, alpha=0.01).fit_transform(X, y)
>>> X_new.shape
(569, 16)

fit(X, y=None)[source]#

在 (X, y) 上运行得分函数并获取适当的特征。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练输入样本。
yarray-like of shape (n_samples,) or 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:

selfobject: 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:

Xshape 为 (n_samples, n_features) 的 array-like: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None: 目标值（对于无监督转换，为 None）。
**fit_paramsdict: 额外的拟合参数。仅当估计器在其 fit 方法中接受额外的参数时才传递。

返回:

X_newndarray array of shape (n_samples, n_features_new): 转换后的数组。

get_feature_names_out(input_features=None)[source]#

根据所选特征屏蔽特征名称。

参数:

input_featuresarray-like of str or None, default=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 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 array-like，则如果定义了 feature_names_in_，input_features 必须与 feature_names_in_ 匹配。

返回:

feature_names_outstr 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，了解路由机制如何工作。

返回:

routingMetadataRequest: 封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 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:

indicesbool, default=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:

supportarray: 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 [# input features] 的布尔数组，其中元素为 True 当且仅当其对应的特征被选中保留。如果 indices 为 True，则这是一个形状为 [# output features] 的整数数组，其值是输入特征向量中的索引。

inverse_transform(X)[source]#

反转转换操作。

参数:

Xarray of shape [n_samples, n_selected_features]: 输入样本。

返回:

X_originalarray of shape [n_samples, n_original_features]: X with columns of zeros inserted where features would have been removed by transform.

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

设置输出容器。

有关如何使用 API 的示例，请参阅引入 set_output API。

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

1.4 版本新增: 添加了 "polars" 选项。

返回:

selfestimator instance: 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（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

transform(X)[source]#

将 X 减少到所选特征。

参数:

Xarray of shape [n_samples, n_features]: 输入样本。

返回:

X_rarray of shape [n_samples, n_selected_features]: 仅包含所选特征的输入样本。

SelectFdr#

本页