SelectPercentile

classsklearn.feature_selection.SelectPercentile(score_func=<function f_classif>, *, percentile=10)[source]

Выберите признаки в соответствии с процентилем наивысших оценок.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funcвызов, по умолчанию=f_classif

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

Добавлен в версии 0.18.

percentileцелое число, по умолчанию=10

Процент признаков для сохранения.

Атрибуты:

scores_массив-подобный с формой (n_features,)

Оценки признаков.

pvalues_массив-подобный с формой (n_features,)

Значения p оценок признаков, None, если score_func возвращала только оценки.

n_features_in_целое число

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив NumPy с формой (n_features_in_,)

Имена 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.

mutual_info_classif

Взаимная информация для дискретного целевого значения.

chi2

Статистика хи-квадрат для неотрицательных признаков в задачах классификации.

f_regression

Значение F между меткой/признаком для регрессионных задач.

mutual_info_regression

Взаимная информация для непрерывного целевого значения.

SelectKBest

Выбор признаков на основе k наивысших оценок.

SelectFpr

Выбор признаков на основе теста ложноположительной вероятности.

SelectFdr

Выбор признаков на основе оценки ложнооткрытого уровня.

SelectFwe

Выбор признаков на основе уровня ошибки первой категории.

GenericUnivariateSelect

Универсальный селектор признаков с настраиваемым режимом.

Примечания

Связи между признаками с одинаковыми оценками будут разрываться непредсказуемым образом.

Этот фильтр поддерживает неконтролируемый выбор признаков, который запрашивает только X для вычисления оценок.

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.feature_selection import SelectPercentile, chi2
>>> X, y = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> X_new = SelectPercentile(chi2, percentile=10).fit_transform(X, y)
>>> X_new.shape
(1797, 7)

fit(X, y=None)[source]

Выполнить функцию оценки на (X, y) и получить соответствующие признаки.

Параметры:

Xмассив-подобный с формой (n_samples, n_features)

Входные обучающие выборки.

yмассив-подобный с формой (n_samples,) или None

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

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Обучить на данных, затем преобразовать их.

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

Параметры:

Xмассив-подобный с формой (n_samples, n_features)

Входные выборки.

yмассив-подобный с формой (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 с формой (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 из str или None, по умолчанию=None

Входные признаки.

• Если input_features является None, то feature_names_in_ используется как имена признаков в. 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 должно соответствовать feature_names_in_, если feature_names_in_ определено.

Возвращает:

feature_names_outмассив объектов str

Преобразованные имена признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращаемое значение:

paramsdict

Названия 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.

Возвращаемое значение:

supportarray

Индекс, который выбирает сохраненные признаки из вектора признаков. Если indices равно False, это булев 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 вектор входных признаков.

inverse_transform(X)[source]

Обратить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входные выборки.

Возвращаемое значение:

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. Представление API set_output для примера использования API.

Параметры:

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

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Настройка преобразования не изменяется

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры данного оценщика.

Метод работает с простыми оценщиками, а также со вложенными объектами (такими как Pipeline). У последних есть параметры в форме <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Сократить X до выбранных признаков.

Параметры:

Xмассив формы [n_samples, n_features]

Входные выборки.

Возвращаемое значение:

X_rмассив формы [n_samples, n_selected_features]

Входные выборки только с выбранными признаками.

Примеры из галереи

Агломерация признаков против унивариатного отбора

Представление API set_output

Преобразователь столбцов с различными типами данных

SVM-Анова: SVM с унивариатным отбором признаков