SelectFdr

классsklearn.feature_selection.SelectFdr(score_func=<функция f_classif>, *, alpha=0.05)[source]

Фильтр: Выберите p-значения для оценки уровня ложных открытий.

Используется процедура Бенджамини-Хохберга. alpha является верхней границей ожидаемого уровня ложных открытий.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funcвызываемая функция, по умолчанию=f_classif

Функция, принимающая два массива X и y и возвращающая пару массивов (scores, pvalues). По умолчанию используется f_classif (см. «См. также»). Функция по умолчанию работает только с задачами классификации.

alphaвещественное число, по умолчанию=5e-2

Наибольшее некорректированное p-значение для сохранения признаков.

Атрибуты:

scores_массив-подобный объекта (n_features,)

Оценки признаков.

pvalues_массив-подобный объекта (n_features,)

p-значения оценок признаков.

n_features_in_целое число

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив numpy формы (n_features_in_,)

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

Добавлен в версии 1.0.

См. также

f_classif

Значение ANOVA F для задачи классификации.

mutual_info_classif

Взаимная информация для дискретного целевого значения.

chi2

Статистика Хи-квадрат для неотрицательных признаков в задачах классификации.

f_regression

Значение F для задачи регрессии.

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 ложного положительного результата.

SelectFwe

Выбор признаков на основе уровня семейной ошибки.

GenericUnivariateSelect

Выбор признаков с помощью унивариантного селектора настраиваемого режима.

Ссылки

https://en.wikipedia.org/wiki/False_discovery_rate

Примеры

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.feature_selection import SelectFdr, chi2
>>> X, y = load_breast_cancer(return_X_y=True)
>>> X.shape
(569, 30)
>>> X_new = SelectFdr(chi2, alpha=0.01).fit_transform(X, y)
>>> X_new.shape
(569, 16)

fit(X, y=None)[source]

Запуск функции вычисления оценок на (X, y) и получение соответствующих признаков.

Параметры:

Xмассив-подобный объект формы (n_samples, n_features)

Входные обучающие выборки.

yмассив-подобный объект формы (n_samples,) или None

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

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Обучает преобразователь на данных, а затем преобразует их.

Осуществляет обучение преобразователя на X и y с опциональными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xмассив-подобный объект формы (n_samples, n_features)

Входные выборки.

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

Значения целевой переменной (None для неконтролируемых преобразований).

**fit_paramsсловарь

Дополнительные параметры обучения.

Возвращает:

X_newмассив numpy формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Маска имен признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассив-подобный объект из строк или None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то feature_names_in_ используется в качестве имен признаков. Если feature_names_in_ не определен, то имена входных признаков генерируются следующим образом: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массивоподобным объектом, то input_features должно соответствовать feature_names_in_, если feature_names_in_ определен.

Возвращает:

feature_names_outмассив numpy из строковых объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest объект, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

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

Возвращает:

supportarray

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

inverse_transform(X)[source]

Обратить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входные образцы.

Возвращает:

X_rмассив формы [n_samples, n_original_features]

X с добавленными столбцами нулей в местах, где признаки были удалены 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 преобразователя
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Настройка преобразования не изменена

Добавлен в версии 1.4: "polars" option was added.

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 обновить 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]

Входные образцы.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входные образцы только с выбранными признаками.