SelectPercentile

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

Выбирает признаки, соответствующие заданному процентилю признаков с наибольшими 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. раздел «См. также» ниже). Функция по умолчанию работает только с задачами классификации.

Добавлено в версии 0.18.

percentileint, по умолчанию=10

Процент признаков, которые нужно сохранить.

Атрибуты:

scores_массивоподобный объект формы (n_features,)

Оценки признаков.

pvalues_массивоподобный объект формы (n_features,)

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

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных при вызове fit. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

f_classif

F-статистика 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-статистика между меткой и признаком для задач регрессии.

mutual_info_regression

Взаимная информация для непрерывной целевой переменной.

SelectKBest

Выбирает признаки на основе k наибольших оценок.

SelectFpr

Выбирает признаки на основе теста с уровнем ложноположительных результатов.

SelectFdr

Выбирает признаки на основе оцененного уровня ложных открытий.

SelectFwe

Выбирает признаки на основе уровня семейной ошибки.

GenericUnivariateSelect

Одномерный селектор признаков с настраиваемым режимом.

Примечания

Порядок признаков с одинаковыми оценками определяется неуказанным образом.

Этот фильтр поддерживает неконтролируемый отбор признаков, для вычисления оценок которого требуется только X.

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)[исходный код]

Вычисляет оценку для (X, y) и выбирает соответствующие признаки.

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Обучающие входные выборки.

yмассивоподобный объект формы (n_samples,) или None

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

Возвращает:

selfобъект

Возвращает сам экземпляр.

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:

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 если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Формирует маску названий признаков в соответствии с выбранными признаками.

Параметры:

input_featuresмассивоподобный объект из строк или None, по умолчанию=None

Входные признаки.

• Если input_features равно None, то в качестве названий входных признаков используются feature_names_in_. Если feature_names_in_ не определено, генерируются следующие названия входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features является массивоподобным объектом, то input_features должно соответствовать feature_names_in_, если определено feature_names_in_.

Возвращает:

feature_names_outndarray из строковых объектов

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения 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 нем вложенных объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_support(indices=False)[исходный код]

Возвращает маску или целочисленные индексы выбранных признаков.

Параметры:

indicesbool, по умолчанию=False

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

Возвращает:

supportмассив

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

inverse_transform(X)[исходный код]

Выполняет обратное преобразование.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входные выборки.

Возвращает:

X_originalмассив формы [n_samples, n_original_features]

X с нулевыми столбцами, вставленными на места признаков, удаленных методом transform.

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

Задает контейнер выходных данных.

Подробнее см. в руководстве пользователя; пример использования API приведен 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 DataFrame
• "polars": вывод Polars
• None: конфигурация преобразования не изменяется

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры 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:

Xмассив формы [n_samples, n_features]

Входные выборки.

Возвращает:

X_rмассив формы [n_samples, n_selected_features]

Входные выборки, содержащие только выбранные признаки.

Примеры из галереи

Агломерация признаков и одномерный отбор

Column Transformer для смешанных типов данных

Знакомство с API set_output

SVM-Anova: SVM с одномерным отбором признаков