SelectFpr

classsklearn.feature_selection.SelectFpr(score_func=<function f_classif>, *, alpha=0.05)[source]

Фильтр: выбирает p-значения ниже alpha на основе теста FPR.

Тест FPR — это тест уровня ложноположительных результатов (False Positive Rate). Он контролирует общее количество ложных обнаружений.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funccallable, default=f_classif

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

alphafloat, default=5e-2

Выбираются признаки с p-значениями меньше alpha.

Атрибуты:

scores_array-like of shape (n_features,)

Оценки признаков.

pvalues_array-like of shape (n_features,)

p-значения оценок признаков.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, обнаруженных во время обучения. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

f_classif

F-значение ANOVA между меткой и признаком для задач классификации.

chi2

Статистики хи-квадрат для неотрицательных признаков в задачах классификации.

mutual_info_classif

Взаимная информация для дискретной целевой переменной.

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.

SelectFdr

Выбирает признаки на основе оцененного уровня ложных открытий.

SelectFwe

Выбирает признаки на основе уровня семейной ошибки.

GenericUnivariateSelect

Одномерный селектор признаков с настраиваемым режимом.

Примеры

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

fit(X, y=None)[source]

Выполняет функцию оценки для (X, y) и определяет соответствующие признаки.

Параметры:

Xarray-like of shape (n_samples, n_features)

Обучающие входные образцы.

yarray-like of shape (n_samples,) or None

Целевые значения (метки классов в задачах классификации, действительные числа в задачах регрессии). Если селектор не использует обучение с учителем, для y можно задать значение None.

Возвращает:

selfobject

Возвращает сам экземпляр.

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

Обучает на данных, а затем преобразует их.

Обучает преобразователь на X и y с дополнительными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их только в том случае, если оцениватель принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray array of shape (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Формирует маску имён признаков в соответствии с выбранными признаками.

Параметры:

input_featuresarray-like of str or None, default=None

Входные признаки.

• Если input_features имеет значение None, то feature_names_in_ используется в качестве имён входных признаков. Если feature_names_in_ не задано, генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массивом или объектом, подобным массиву, то input_features должно совпадать с feature_names_in_, если задано feature_names_in_.

Возвращает:

feature_names_outndarray of str objects

Преобразованные имена признаков.

get_metadata_routing()[source]

Получает настройки маршрутизации метаданных этого объекта.

Подробнее о работе механизма маршрутизации см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получает параметры этого оценивателя.

Параметры:

deepbool, default=True

Если True, возвращает параметры этого оценивателя и содержащихся в нём подобъектов, являющихся оценивателями.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_support(indices=False)[source]

Возвращает маску или целочисленные индексы выбранных признаков.

Параметры:

indicesbool, default=False

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

Возвращает:

supportarray

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

inverse_transform(X)[source]

Обращает операцию преобразования.

Параметры:

Xarray of shape [n_samples, n_selected_features]

Входные образцы.

Возвращает:

X_originalarray of shape [n_samples, n_original_features]

X с добавленными нулевыми столбцами на местах удалённых признаков при вызове transform.

set_output(*, transform=None)[source]

Задаёт контейнер выходных данных.

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

Параметры:

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

Настраивает формат вывода для transform и fit_transform.

• "default": формат вывода преобразователя по умолчанию
• "pandas": вывод в формате DataFrame
• "polars": вывод в формате Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfestimator instance

Экземпляр оценивателя.

set_params(**params)[source]

Задаёт параметры этого оценивателя.

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

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfestimator instance

Экземпляр оценивателя.

transform(X)[source]

Сокращает X до выбранных признаков.

Параметры:

Xarray of shape [n_samples, n_features]

Входные образцы.

Возвращает:

X_rarray of shape [n_samples, n_selected_features]

Входные образцы, содержащие только выбранные признаки.