r_regression

sklearn.feature_selection.r_regression(X, y, *, center=True, force_finite=True)[исходный код]

Вычисляет коэффициент корреляции Пирсона r для каждого признака и целевой переменной.

Коэффициент Пирсона r также известен как коэффициент корреляции Пирсона.

Линейная модель для проверки индивидуального влияния каждого из множества регрессоров. Это функция оценки, используемая в процедуре отбора признаков, а не самостоятельная процедура отбора признаков.

Перекрёстная корреляция между каждым регрессором и целевой переменной вычисляется следующим образом:

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

Дополнительные сведения об использовании см. в руководстве пользователя.

Добавлено в версии 1.0.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Матрица данных.

yarray-like of shape (n_samples,)

Вектор целевых значений.

centerbool, default=True

Следует ли центрировать матрицу данных X и вектор целевых значений y. По умолчанию X и y будут центрированы.

force_finitebool, default=True

Следует ли принудительно ограничить коэффициент корреляции Пирсона R конечными значениями. В частности, если некоторые признаки в X или целевая переменная y являются константами, коэффициент корреляции Пирсона R не определён. Если force_finite=False, для обозначения этого случая возвращается корреляция np.nan. Если force_finite=True, это значение будет заменено минимальным коэффициентом корреляции 0.0.

Добавлено в версии 1.1.

Возвращает:

correlation_coefficientndarray of shape (n_features,)

Коэффициенты корреляции Пирсона R признаков.

См. также

f_regression

Тесты одномерной линейной регрессии, возвращающие F-статистику и p-значения.

mutual_info_regression

Взаимная информация для непрерывной целевой переменной.

f_classif

F-критерий ANOVA для меток и признаков в задачах классификации.

chi2

Статистики хи-квадрат для неотрицательных признаков в задачах классификации.

Примеры

>>> from sklearn.datasets import make_regression
>>> from sklearn.feature_selection import r_regression
>>> X, y = make_regression(
...     n_samples=50, n_features=3, n_informative=1, noise=1e-4, random_state=42
... )
>>> r_regression(X, y)
array([-0.157,  1.        , -0.229])