SelectFpr

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

Фильтр: Выберите p-значения ниже альфа на основе теста FPR.

Тест FPR — это тест с ложной положительной вероятностью. Он контролирует общее количество ложных срабатываний.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funccallable, 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.

alphafloat, по умолчанию=5e-2

Выбираются признаки с p-значениями меньше alpha.

Атрибуты:

scores_массив-подобный формы (n_features,)

Оценки признаков.

pvalues_массив-подобный формы (n_features,)

p-значения оценок признаков.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив 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 между меткой/признаком для задач классификации.

chi2

Статистики Хи-квадрат для неотрицательных признаков для задач классификации.

mutual_info_classif

Взаимная информация для дискретного целевого значения.

f_regression

Значение F между меткой/признаком для задач 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.

SelectFdr

Выбор признаков на основе оценки ложной положительной вероятности.

SelectFwe

Выбор признаков на основе уровня ошибки семейства.

GenericUnivariateSelect

Универсальный 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]

Запуск функции оценки для (X, y) и получение соответствующих признаков.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Входные обучающие образцы.

yмассив-подобный формы (n_samples,) или None

Значения целевой переменной (метки классов в классификации, вещественные числа в регрессии). Если селектор является неконтролируемым, тогда y может быть установлен на None.

Возвращает:

selfобъект

Возвращает экземпляр объекта.

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

Обучает трансформер на данных, а затем преобразует их.

Обучает трансформер на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Входные образцы.

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

Значения целевой переменной (None для неконтролируемых преобразований).

**fit_paramsdict

Дополнительные параметры обучения.

Возвращает:

X_newмассив-подобный формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Маска имён признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассив-подобный из str или None, по умолчанию=None

Входные признаки.

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

Возвращает:

feature_names_outмассив из str объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, 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, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со 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 булев массив формы [# входные признаки], в котором элемент 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 со столбцами нулей, вставленными там, где признаки были бы удалены методом 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 изменяется

Добавлена в версии 1.4: "polars" вариант был добавлен.

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]

Свести X к выбранным признакам.

Параметры:

Xмассив формы [n_samples, n_features]

Входные образцы.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входные образцы только с выбранными признаками.