GenericUnivariateSelect

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

Селектор признаков с унивариатной стратегией и настраиваемой стратегией.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funccallable, по умолчанию=f_classif

Функция, принимающая два массива X и y и возвращающая пару массивов (scores, pvalues). Для режимов «процентиль» или «kbest» она может вернуть единственный массив scores.

mode{‘процентиль’, ‘k_лучших’, ‘fpr’, ‘fdr’, ‘fwe’}, по умолчанию='процентиль'

Режим выбора признаков. Обратите внимание, что режимы 'percentile' и 'kbest' поддерживают неконтролируемый выбор признаков (когда y является None).

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

Параметр соответствующего режима.

Атрибуты:

scores_массив-подобный типа (n_features,)

Оценки признаков.

pvalues_массив-подобный типа (n_features,)

p-значения оценок признаков, None, если score_func вернула только scores.

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлен в версии 0.24.

feature_names_in_массив типа (n_features_in_,)

Названия признаков, увиденные во время подгонки. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

f_classif

Значение F-критерия для задачи классификации между меткой и признаком.

mutual_info_classif

Взаимная информация для дискретного целевого значения.

chi2

Критерий хи-квадрат для неотрицательных признаков в задачах классификации.

f_regression

Значение F-критерия для задачи регрессии между меткой и признаком.

mutual_info_regression

Взаимная информация для непрерывного целевого значения.

SelectPercentile

Выбор признаков на основе процентиля наивысших оценок.

SelectKBest

Выбор признаков на основе k наивысших оценок.

SelectFpr

Выбор признаков на основе теста с ложноположительной вероятностью.

SelectFdr

Выбор признаков на основе оценки ложноотрицательного значения.

SelectFwe

Выбор признаков на основе уровня ошибки семейства.

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]

Запустить функцию оценки на (X, y) и получить соответствующие признаки.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы для обучения.

yмассив-подобный типа (n_samples,) или None

Значения целевой переменной (метки классов в классификации, действительные числа в регрессии). Если селектор неконтролируемый, то y может быть задан как None.

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Подгонка к данным, а затем преобразование.

Подгоняет преобразователь к X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xмассив-подобный типа (n_samples, n_features)

Входные образцы.

yмассив-подобный типа (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Значения целевой переменной (None для неконтролируемых преобразований).

**fit_paramsdict

Дополнительные параметры подгонки.

Возвращает:

X_newмассив ndarray типа (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Маскирование имен признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассив-подобный типа str или None, по умолчанию=None

Входные признаки.

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

Возвращает:

feature_names_outмассив str объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_support(indices=False)[source]

Получить маску или целочисленный индекс выбранных признаков.

Параметры:

indicesbool, по умолчанию=False

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

Возвращает:

supportarray

Индекс, который выбирает сохранённые признаки из вектора признаков. Если indices равно False, это булев массив размера [# входных признаков], в котором элемент равен True, если соответствующий признак выбран для сохранения. Если indices равно True, это целочисленный массив размера [# выходных признаков], значения которого являются индексами в векторе входных признаков.

inverse_transform(X)[source]

Обратить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входящие образцы.

Возвращает:

X_rмассив формы [n_samples, n_original_features]

X с добавленными столбцами нулей в местах, где признаки были удалены при помощи transform.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

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

Настроить вывод transform и fit_transform.

• "default": Формат вывода по умолчанию для трансформатора
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Конфигурация преобразования не изменяется

Добавлена в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Сократить X до выбранных признаков.

Параметры:

Xмассив формы [n_samples, n_features]

Входящие образцы.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входящие образцы только с выбранными признаками.