SelectKBest

classsklearn.feature_selection.SelectKBest(score_func=<function f_classif>, *, k=10)[исходный код]

Выбирает признаки с наибольшими k оценками.

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

Добавлено в версии 0.18.

kint или “all”, по умолчанию=10

Количество наиболее значимых признаков для выбора. Значение “all” отключает отбор; его можно использовать при поиске параметров.

Атрибуты:

scores_array-like формы (n_features,)

Оценки признаков.

pvalues_array-like формы (n_features,)

p-значения оценок признаков; None, если score_func вернула только оценки.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время обучения. Определяется, только если X содержит имена признаков, каждое из которых является строкой.

Добавлено в версии 1.0.

См. также

f_classif

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

mutual_info_classif

Взаимная информация для дискретной целевой переменной.

chi2

Статистика хи-квадрат для неотрицательных признаков в задачах классификации.

f_regression

F-критерий между меткой и признаком для задач регрессии.

mutual_info_regression

Взаимная информация для непрерывной целевой переменной.

SelectPercentile

Выбирает признаки на основе процентиля наибольших оценок.

SelectFpr

Выбирает признаки на основе теста с заданной частотой ложноположительных результатов.

SelectFdr

Выбирает признаки на основе оценённой доли ложных открытий.

SelectFwe

Выбирает признаки на основе частоты семейной ошибки.

GenericUnivariateSelect

Одномерный селектор признаков с настраиваемым режимом.

Примечания

Порядок признаков с одинаковыми оценками определяется непредсказуемым образом.

Этот фильтр поддерживает обучение без учителя: для вычисления оценок ему требуется только X.

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.feature_selection import SelectKBest, chi2
>>> X, y = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> X_new = SelectKBest(chi2, k=20).fit_transform(X, y)
>>> X_new.shape
(1797, 20)

fit(X, y=None)[исходный код]

Выполняет функцию оценки для (X, y) и выбирает подходящие признаки.

Параметры:

Xarray-like формы (n_samples, n_features)

Обучающие входные выборки.

yarray-like формы (n_samples,) или None

Целевые значения (метки классов в задачах классификации, вещественные числа в задачах регрессии). Если селектор работает без учителя, y можно задать равным None.

Возвращает:

selfobject

Возвращает сам экземпляр объекта.

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

Обучает преобразователь на данных, а затем преобразует их.

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

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

yarray-like 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 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]

Формирует маску имён признаков в соответствии с выбранными признаками.

Параметры:

input_featuresarray-like строк или None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то feature_names_in_ используются в качестве входных имён признаков. Если feature_names_in_ не определено, генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является array-like, то input_features должно совпадать с feature_names_in_, если feature_names_in_ определено.

Возвращает:

feature_names_outndarray строковых объектов

Имена преобразованных признаков.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

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

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Возвращает параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

get_support(indices=False)[исходный код]

Возвращает маску или целочисленный индекс выбранных признаков.

Параметры:

indicesbool, по умолчанию=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, возвращается булев массив формы [# входных признаков], в котором элемент равен True тогда и только тогда, когда соответствующий признак выбран для сохранения. Если indices равно True, возвращается целочисленный массив формы [# выходных признаков], значения которого являются индексами во входном векторе признаков.

inverse_transform(X)[исходный код]

Выполняет обратное преобразование.

Параметры:

Xarray формы [n_samples, n_selected_features]

Входные выборки.

Возвращает:

X_originalarray формы [n_samples, n_original_features]

X с добавленными столбцами нулей на месте признаков, удалённых методом transform.

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

Задаёт контейнер выходных данных.

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

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=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:

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 вид <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:

Xarray формы [n_samples, n_features]

Входные выборки.

Возвращает:

X_rarray формы [n_samples, n_selected_features]

Входные выборки, содержащие только выбранные признаки.

Примеры из галереи

Выбор метода понижения размерности с помощью Pipeline и GridSearchCV

Объединение нескольких методов извлечения признаков

Одномерный отбор признаков

Конвейер ANOVA SVM

Основные нововведения scikit-learn 1.1