VarianceThreshold

classsklearn.feature_selection.VarianceThreshold(threshold=0.0)[source]

Селектор признаков, удаляющий все признаки с низкой дисперсией.

Этот алгоритм отбора признаков рассматривает только признаки (X), а не желаемые выходные данные (y), и поэтому может использоваться для обучения без учителя.

Подробнее см. в Руководстве пользователя.

Параметры:

thresholdfloat, по умолчанию=0

Признаки с дисперсией обучающего набора, меньшей этого порога, будут удалены. По умолчанию сохраняются все признаки с ненулевой дисперсией, т. е. удаляются признаки, имеющие одинаковое значение во всех выборках.

Атрибуты:

variances_массив, форма (n_features,)

Дисперсии отдельных 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

SelectFromModel

Мета-трансформатор для выбора признаков на основе весов важности.

SelectPercentile

Выбор признаков в соответствии с процентилем наивысших оценок.

SequentialFeatureSelector

Трансформатор, выполняющий последовательный отбор признаков.

Примечания

Разрешает NaN в входных данных. Вызывает ValueError, если ни один признак в X не удовлетворяет порогу дисперсии.

Примеры

Следующий набор данных имеет целочисленные признаки, два из которых одинаковы в каждой выборке. Они удаляются с помощью значения порога по умолчанию:

>>> from sklearn.feature_selection import VarianceThreshold
>>> X = [[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]]
>>> selector = VarianceThreshold()
>>> selector.fit_transform(X)
array([[2, 0],
       [1, 4],
       [1, 1]])

fit(X, y=None)[source]

Обучение эмпирических дисперсий по X.

Параметры:

X{array-like, sparse matrix}, форма (n_samples, n_features)

Данные, по которым необходимо вычислить дисперсии, где n_samples — количество выборок, а n_features — количество признаков.

yлюбой, по умолчанию=None

Игнорируется. Этот параметр существует только для совместимости с sklearn.pipeline.Pipeline.

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Обучение на данных, затем их преобразование.

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

Параметры:

Xмассив-подобный, форма (n_samples, n_features)

Входные выборки.

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

Значения целевой переменной (None для преобразований без учителя).

**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_ используются 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 str объектов

Преобразованные имена признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получение параметров этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся 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.

Возвращаемое значение:

supportмассив

Индекс, который выбирает сохранённые признаки из вектора признаков. Если indices равно False, это булевый 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 во входном векторе признаков.

inverse_transform(X)[source]

Обратить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]

Входящие образцы.

Возвращаемое значение:

X_rмассив формы [n_samples, n_original_features]

X с добавленными столбцами нулей, 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

Настройка вывода для transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате 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 этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Свести X к выбранным признакам.

Параметры:

Xмассив формы [n_samples, n_features]

Входные образцы.

Возвращаемое значение:

X_rмассив формы [n_samples, n_selected_features]

Входные образцы только с выбранными признаками.