SelectPercentile#

класс sklearn.feature_selection.SelectPercentile(score_func= f_classif>, *, percentile=10)[источник]#

Выбор признаков в соответствии с процентилем наивысших оценок.

Подробнее в Руководство пользователя.

Параметры:

score_funcвызываемый объект, 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. ниже «Смотрите также»). Функция по умолчанию работает только с задачами классификации.

Добавлено в версии 0.18.
процентильint, по умолчанию=10: Процент признаков для сохранения.

Атрибуты:

scores_массивоподобный формы (n_features,): Оценки признаков.
pvalues_массивоподобный формы (n_features,): p-значения оценок признаков, None если score_func возвращались только оценки.
n_features_in_int: Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.
feature_names_in_ndarray формы (n_features_in_,): Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

f_classif: ANOVA F-значение между меткой/признаком для задач классификации.
mutual_info_classif: Взаимная информация для дискретной цели.
chi2: Статистики хи-квадрат неотрицательных признаков для задач классификации.
f_regression: F-значение между меткой/признаком для задач регрессии.
mutual_info_regression: Взаимная информация для непрерывной цели.
SelectKBest: Выбрать признаки на основе k наивысших оценок.
SelectFpr: Выбор признаков на основе теста ложноположительной частоты.
SelectFdr: Выберите признаки на основе оцененного уровня ложных открытий.
SelectFwe: Выбор признаков на основе семейной ошибки.
GenericUnivariateSelect: Одномерный селектор признаков с настраиваемым режимом.

Примечания

Связи между признаками с равными оценками будут разорваны неопределенным способом.

Этот фильтр поддерживает неконтролируемый выбор признаков, который требует 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)[источник]#

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

Параметры:

Xarray-like формы (n_samples, n_features): Обучающие входные выборки.
yarray-like формы (n_samples,) или None: Целевые значения (метки классов в классификации, вещественные числа в регрессии). Если селектор неконтролируемый, то y может быть установлено в None.

Возвращает:

selfobject: Возвращает сам экземпляр.

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

Обучение на данных с последующим преобразованием.

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), default=None: Целевые значения (None для неконтролируемых преобразований).
**fit_paramsdict: Дополнительные параметры обучения. Передавайте только если оценщик принимает дополнительные параметры в своем fit метод.

Возвращает:

X_newndarray массив формы (n_samples, n_features_new): Преобразованный массив.

get_feature_names_out(input_features=None)[источник]#

Маскировать имена признаков в соответствии с выбранными признаками.

Параметры:

input_featuresarray-like из str или None, по умолчанию=None

Входные признаки.

Если input_features является None, затем feature_names_in_ используется как имена признаков в. Если feature_names_in_ не определено, тогда генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
Если input_features является массивоподобным, тогда input_features должен соответствовать feature_names_in_ if feature_names_in_ определен.

Возвращает:

feature_names_outndarray из str объектов: Преобразованные имена признаков.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

маршрутизацияMetadataRequest: A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True: Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

get_support(индексы=False)[источник]#

Получить маску или целочисленный индекс выбранных признаков.

Параметры:

индексыbool, по умолчанию=False: Если True, возвращаемое значение будет массивом целых чисел, а не булевой маской.

Возвращает:

поддержкамассив: Индекс, который выбирает сохраняемые признаки из вектора признаков. Если indices равно False, это булев массив формы [# входных признаков], в котором элемент равен True, если соответствующий признак выбран для сохранения. Если indices если True, это целочисленный массив формы [# выходных признаков], значения которого являются индексами входного вектора признаков.

inverse_transform(X)[источник]#

Обратить операцию преобразования.

Параметры:

Xмассив формы [n_samples, n_selected_features]: Входные образцы.

Возвращает:

X_originalмассив формы [n_samples, n_original_features]: X со столбцами нулей, вставленными там, где признаки были бы удалены с помощью transform.

set_output(*, преобразовать=None)[источник]#

Установить контейнер вывода.

См. Введение API set_output для примера использования API.

Параметры:

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

Настройка вывода transform и fit_transform.

"default": Формат вывода трансформера по умолчанию
"pandas": DataFrame вывод
"polars": Вывод Polars
None: Конфигурация преобразования не изменена

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

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры: