SelectKBest#

class sklearn.feature_selection.SelectKBest(score_func=<function f_classif>, *, k=10)[source]#

根据k个最高得分选择特征。

更多信息请参见用户指南。

参数：

score_funccallable, default=f_classif: 一个函数，接收两个数组X和y，并返回一对数组(scores, pvalues)或一个包含分数的单个数组。默认为f_classif（参见下面的“另请参见”）。默认函数仅适用于分类任务。

版本0.18中新增。
kint 或 “all”, default=10: 要选择的顶级特征数量。“all”选项绕过选择，用于参数搜索。

属性：

scores_array-like of shape (n_features,): 特征得分。
pvalues_array-like of shape (n_features,): 特征分数的p值，如果score_func只返回分数，则为None。
n_features_in_int: 在拟合期间看到的特征数量。

0.24版本新增。
feature_names_in_ndarray of shape (n_features_in_,): 在拟合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: 基于最高分数的百分位数选择特征。
SelectFpr: 基于错误肯定率测试选择特征。
SelectFdr: 基于估计的错误发现率选择特征。
SelectFwe: 基于家庭错误率选择特征。
GenericUnivariateSelect: 具有可配置模式的单变量特征选择器。

备注

具有相同分数的特征之间的联系将以未指定的方式打破。

此过滤器支持无监督特征选择，该选择仅请求X来计算分数。

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.feature_selection import SelectKBest, chi2
>>> X, y = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> X_new = SelectKBest(chi2, k=20).fit_transform(X, y)
>>> X_new.shape
(1797, 20)

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

对(X, y)运行评分函数并获取合适的特征。

参数：

Xarray-like of shape (n_samples, n_features): 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，然后转换它。

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：

Xarray-like of shape (n_samples, n_features): 输入样本。
yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None: 目标值（无监督转换则为None）。
**fit_paramsdict: 附加拟合参数。

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]#

根据选择的特征掩盖特征名称。

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是一个类似数组的对象，则如果feature_names_in_已定义，则input_features必须与feature_names_in_匹配。

返回:

feature_names_outndarray of str objects: 转换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个MetadataRequest 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool, default=True: 如果为True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回:

paramsdict: 参数名称与其值的映射。

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，则返回值将是整数数组，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[# 输入特征]的布尔数组，其中一个元素为True当且仅当其对应的特征被选择保留。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]#

反转转换操作。

参数：