r_regression

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

Вычисление коэффициента Пирсона r для каждой из признаков и целевой переменной.

Коэффициент Пирсона r также известен как коэффициент корреляции Пирсона.

Линейная модель для проверки индивидуального эффекта каждого из множества регрессоров. Эта функция оценки используется в процедурах отбора признаков, а не как самостоятельная процедура отбора признаков.

Взаимная корреляция между каждым регрессором и целевой переменной вычисляется как:

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

Для получения дополнительной информации об использовании см. Руководство пользователя.

Добавлена в версии 1.0.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Матрица данных.

yarray-like формы (n_samples,)

Вектор целевых значений.

centerbool, по умолчанию=True

Вычитать среднее из матрицы данных X и вектора целевых значений y. По умолчанию, X и y будут центрированы.

force_finitebool, по умолчанию=True

Принудительно ли делать коэффициент корреляции Пирсона конечным. В том случае, когда некоторые признаки в X или целевая переменная y являются постоянными, коэффициент корреляции Пирсона не определён. Когда force_finite=False, возвращается значение корреляции np.nan для отражения этого случая. При force_finite=True, это значение будет принудительно установлено как минимальная корреляция 0.0.

Добавлена в версии 1.1.

Возвращает:

correlation_coefficientndarray формы (n_features,)

Коэффициенты корреляции Пирсона для признаков.

См. также

f_regression

Тесты для однофакторной линейной регрессии, возвращающие статистику F и значения p.

mutual_info_regression

Взаимная информация для непрерывной целевой переменной.

f_classif

Статистика F для ANOVA между меткой и признаком для задач классификации.

chi2

Статистика Хи-квадрат для неотрицательных признаков для задач 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([-0.15...,  1.        , -0.22...])