GenericUnivariateSelect

classsklearn.feature_selection.GenericUnivariateSelect(score_func=<function f_classif>, *, mode='percentile', param=1e-05)[source]

Одномерный селектор признаков с настраиваемой стратегией.

Подробнее см. в руководстве пользователя.

Параметры:

score_funcвызываемый объект, по умолчанию f_classif

Функция, принимающая два массива X и y и возвращающая пару массивов (scores, pvalues). Для режимов ‘percentile’ или ‘kbest’ она может возвращать один массив scores.

mode{‘percentile’, ‘k_best’, ‘fpr’, ‘fdr’, ‘fwe’}, по умолчанию=’percentile’

Режим отбора признаков. Обратите внимание, что режимы 'percentile' и 'kbest' поддерживают отбор признаков без учителя (когда y — это None).

param“all”, float или int, по умолчанию=1e-5

Параметр соответствующего режима.

Атрибуты:

scores_массивоподобный объект формы (n_features,)

Оценки признаков.

pvalues_массивоподобный объект формы (n_features,)

p-значения оценок признаков; None, если score_func возвращает только оценки.

n_features_in_int

Количество признаков, полученных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, полученные во время обучения. Определяется только в том случае, если X содержит имена признаков, представленные строками.

Добавлено в версии 1.0.

См. также

f_classif

F-значение ANOVA между меткой и признаком для задач классификации.

mutual_info_classif

Взаимная информация для дискретной целевой переменной.

chi2

Статистика хи-квадрат для неотрицательных признаков в задачах классификации.

f_regression

F-значение между меткой и признаком для задач регрессии.

mutual_info_regression

Взаимная информация для непрерывной целевой переменной.

SelectPercentile

Отбор признаков по процентилю наибольших оценок.

SelectKBest

Отбор признаков по k наибольшим оценкам.

SelectFpr

Отбор признаков на основе теста уровня ложноположительных результатов.

SelectFdr

Отбор признаков на основе оцененного уровня ложных открытий.

SelectFwe

Отбор признаков на основе семейного уровня ошибки.

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.feature_selection import GenericUnivariateSelect, chi2
>>> X, y = load_breast_cancer(return_X_y=True)
>>> X.shape
(569, 30)
>>> transformer = GenericUnivariateSelect(chi2, mode='k_best', param=20)
>>> X_new = transformer.fit_transform(X, y)
>>> X_new.shape
(569, 20)

fit(X, y=None)[source]

Вычисляет функцию оценки для (X, y) и выбирает соответствующие признаки.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Обучающие входные выборки.

yмассивоподобный объект формы (n_samples,) или None

Целевые значения (метки классов в классификации, действительные числа в регрессии). Если селектор работает без учителя, для y можно указать None.

Возвращает:

selfобъект

Возвращает сам экземпляр.

fit_transform(X, y=None, **fit_params)[source]

Обучает преобразователь на данных, а затем преобразует их.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Входные выборки.

yмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их только в том случае, если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Формирует маску имен признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассивоподобный объект из строк или None, по умолчанию=None

Входные признаки.

• Если input_features — это None, то в качестве имен признаков используется feature_names_in_. Если feature_names_in_ не определено, генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features — массивоподобный объект, то input_features должен соответствовать feature_names_in_, если определено feature_names_in_.

Возвращает:

feature_names_outndarray из строковых объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нем объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_support(indices=False)[source]

Получить маску или целочисленные индексы выбранных признаков.

Параметры:

indicesbool, по умолчанию=False

Если True, возвращаемое значение будет массивом целых чисел, а не булевой маской.

Возвращает:

supportarray

Индекс, выбирающий сохраненные признаки из вектора признаков. Если indices равно False, это булев массив формы [# входных признаков], в котором элемент равен True тогда и только тогда, когда соответствующий признак выбран для сохранения. Если indices равно True, это целочисленный массив формы [# выходных признаков], значения которого являются индексами во входном векторе признаков.

inverse_transform(X)[source]

Отменить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входные выборки.

Возвращает:

X_originalмассив формы [n_samples, n_original_features]

X со вставленными столбцами нулей в тех местах, где признаки были удалены методом transform.

set_output(*, transform=None)[source]

Задать контейнер выходных данных.

Подробнее см. в руководстве пользователя, а пример использования API приведен в разделе Знакомство с API set_output.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настроить формат выходных данных для transform и fit_transform.

• "default": формат выходных данных преобразователя по умолчанию
• "pandas": выходные данные в формате DataFrame
• "polars": выходные данные в формате Polars
• None: конфигурация преобразования не меняется

Добавлено в версии 1.4: Добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Сократить X, оставив выбранные признаки.

Параметры:

Xмассив формы [n_samples, n_features]

Входные выборки.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входные выборки, содержащие только выбранные признаки.