sklearn.feature_selection#
特征选择算法。
这些包括单变量滤波器选择方法和递归特征消除算法。
用户指南。 更多详情请参见 特征选择 部分。
具有可配置策略的单变量特征选择器。 |
|
使用递归特征消除进行特征排序。 |
|
使用交叉验证的递归特征消除来选择特征。 |
|
过滤器:选择估计的错误发现率的p值。 |
|
过滤器:根据FPR检验选择低于alpha的p值。 |
|
基于重要性权重选择特征的元变换器。 |
|
过滤器:选择对应于全族错误率的p值。 |
|
根据k个最高分选择特征。 |
|
根据最高分的百分位数选择特征。 |
|
执行给定支持掩码的特征选择的变换器mixin。 |
|
执行顺序特征选择的变换器。 |
|
去除所有低方差特征的特征选择器。 |
|
计算每个非负特征与类别之间的卡方统计量。 |
|
计算提供的样本的ANOVA F值。 |
|
返回F统计量和p值的单变量线性回归检验。 |
|
估计离散目标变量的互信息。 |
|
估计连续目标变量的互信息。 |
|
计算每个特征与目标之间的皮尔逊相关系数r。 |