f_regression#

sklearn.feature_selection.f_regression(X, y, *, center=True, force_finite=True)[source]#

返回 F 统计量和 p 值的单变量线性回归测试。

针对单个回归变量测试其影响的快速线性模型，按顺序对多个回归变量进行测试。

这分两步完成：

  1. 使用 r_regression 计算每个回归变量与目标之间的交叉相关性，如下所示：

    E[(X[:, i] - mean(X[:, i])) * (y - mean(y))] / (std(X[:, i]) * std(y))

  2. 它被转换为 F 分数，然后转换为 p 值。

f_regression 源自 r_regression，如果所有特征都与目标正相关，则将按相同顺序对特征进行排名。

但请注意，与 f_regression 不同，r_regression 值位于 [-1, 1] 范围内，因此可能为负值。f_regression 因此被推荐作为特征选择标准，用于识别下游分类器中具有潜在预测性的特征，而不管与目标变量关联的符号如何。

此外，f_regression 返回 p 值，而 r_regression 不返回。

在用户指南中阅读更多内容。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

The data matrix.

yarray-like of shape (n_samples,)

目标向量。

centerbool, default=True

是否对数据矩阵 X 和目标向量 y 进行中心化。默认情况下，X 和 y 将被中心化。

force_finitebool, default=True

是否强制 F 统计量和相关的 p 值为有限值。F 统计量预计不为有限值有两种情况：

  • 当目标 y 或 X 中的某些特征为常数时。在这种情况下，皮尔逊 R 相关性未定义，导致 F 统计量和 p 值中出现 np.nan 值。当 force_finite=True 时，F 统计量被设置为 0.0，相关的 p 值被设置为 1.0。

  • 当 X 中的某个特征与目标 y 完全相关（或反相关）时。在这种情况下，F 统计量预计为 np.inf。当 force_finite=True 时，F 统计量被设置为 np.finfo(dtype).max，相关的 p 值被设置为 0.0。

版本 1.1 中新增。

返回:
f_statisticndarray of shape (n_features,)

每个特征的 F 统计量。

p_valuesndarray of shape (n_features,)

与 F 统计量相关的 p 值。

另请参阅

r_regression

回归任务中标签/特征之间的皮尔逊 R。

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。

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

根据估计的假发现率选择特征。

SelectFwe

根据家族错误率选择特征。

SelectPercentile

根据最高得分的百分位数选择特征。

示例

>>> from sklearn.datasets import make_regression
>>> from sklearn.feature_selection import f_regression
>>> X, y = make_regression(
...     n_samples=50, n_features=3, n_informative=1, noise=1e-4, random_state=42
... )
>>> f_statistic, p_values = f_regression(X, y)
>>> f_statistic
array([1.21, 2.67e13, 2.66])
>>> p_values
array([0.276, 1.54e-283, 0.11])