SelectFdr

classsklearn.feature_selection.SelectFdr(score_func=<function f_classif>, *, alpha=0.05)[исходный код]

Фильтр: выбирает p-значения для оценённой доли ложных обнаружений.

Используется процедура Бенджамини — Хохберга. alpha является верхней границей ожидаемой доли ложных обнаружений.

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). По умолчанию используется f_classif (см. раздел «См. также» ниже). Функция по умолчанию работает только с задачами классификации.

alphafloat, по умолчанию 5e-2

Наибольшее нескорректированное p-значение для сохраняемых признаков.

Атрибуты:

scores_массивоподобный объект формы (n_features,)

Оценки признаков.

pvalues_массивоподобный объект формы (n_features,)

p-значения оценок признаков.

n_features_in_int

Количество признаков, обнаруженных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время fit. Определяется только тогда, когда X содержит имена признаков, все из которых являются 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

Статистики 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

Выбирает признаки на основе процентиля наивысших оценок.

SelectKBest

Выбирает признаки на основе k наивысших оценок.

SelectFpr

Выбирает признаки на основе проверки доли ложноположительных результатов.

SelectFwe

Выбирает признаки на основе семейной вероятности ошибки.

GenericUnivariateSelect

Одномерный селектор признаков с настраиваемым режимом.

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)[исходный код]

Выполняет функцию оценки для (X, y) и получает подходящие 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, y можно задать как None.

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Обучает преобразователь на данных, 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_newndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Фильтрует имена признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассивоподобный объект из строк или None, по умолчанию=None

Входные признаки.

• Если input_features имеет значение None, то в качестве входных имён признаков используются feature_names_in_. Если feature_names_in_ не определён, создаются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массивоподобным объектом, то input_features должен совпадать с feature_names_in_, если определён feature_names_in_.

Возвращает:

feature_names_outndarray строковых объектов

Преобразованные имена признаков.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

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

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если значение True, возвращаются параметры этого оценщика и содержащихся в нём подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_support(indices=False)[исходный код]

Получает маску или целочисленные индексы выбранных признаков.

Параметры:

indicesbool, по умолчанию=False

Если значение True, возвращаемым значением будет массив целых чисел, а не булева маска.

Возвращает:

supportarray

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

inverse_transform(X)[исходный код]

Отменяет операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входные выборки.

Возвращает:

X_originalмассив формы [n_samples, n_original_features]

X с добавленными столбцами нулей в тех местах, где признаки были удалены методом transform.

set_output(*, transform=None)[исходный код]

Задаёт контейнер для выходных данных.

Дополнительные сведения см. в руководстве пользователя, а пример использования API — в разделе Знакомство с API set_output.

Параметры:

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

Настраивает 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 изменяется

Добавлено в версии 1.4: Добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задаёт параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[исходный код]

Сокращает X до выбранных признаков.

Параметры:

Xмассив формы [n_samples, n_features]

Входные выборки.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входные выборки, содержащие только выбранные признаки.