SelectKBest()函数筛选特征-过滤法-特征选择-特征降维

最新推荐文章于 2023-10-27 11:35:01 发布
最新推荐文章于 2023-10-27 11:35:01 发布
阅读量1.2k 收藏 10
点赞数 2
分类专栏： 预处理 文章标签： 机器学习 sklearn python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fgg1234567890/article/details/131317165
版权

SelectKBest()函数:选择K个最好的特征，返回选择特征后的数据
 
运用了三种方法来选择：
（1）相关系数法。
使用相关系数法，先计算各个特征对目标值的相关系数及相关系数的P值，然后根据阈值筛选特征。
（2）卡方检验。
经典的卡方检验是检验定性自变量与定性因变量的相关性。
（3）最大信息系数法(Maximal information coefficient, MIC)。
MIC是基于互信息理论的，经典的互信息也是评价定性自变量与定性因变量相关性的方法。

import numpy as np
from sklearn.datasets import load_iris
from array import array
from sklearn.feature_selection import SelectKBest
from scipy.stats import pearsonr
from sklearn.feature_selection import chi2
from minepy import MINE

iris = load_iris()
print("iris.data:\n", iris.data)
print("iris.target:\n", iris.target)

# （1）相关系数法。
# 使用相关系数法，先要计算各个特征对目标值的相关系数及相关系数的P值，然后根据阈值筛选特征。

# 选择K个最好的特征，返回选择特征后的数据
# 第一个参数为计算评估特征是否好的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组，
# 数组第i项为第i个特征的评分和P值。在此定义为计算相关系数
# 参数k为选择的特征个数

# corr, p = pearsonr(x,y):
# 皮尔逊相关系数(Pearson Correlation Coefficient)用于衡量两个变量之间的线性相关相关关系，
# 相关系数的取值在-1与1之间，大于0为正相关，小于0为负相关。
# 如 PearsonRResult(statistic=-0.8233869695926184, pvalue=0.17661303040738163)

data_cor = SelectKBest(
    lambda X, Y: np.array(list(map(lambda x: pearsonr(x, Y), X.T))).T[0],
    k=2).fit_transform(iris.data, iris.target)

print("data_cor:\n", data_cor)


###################################################################################
# （2）卡方检验。
# 经典的卡方检验是检验定性自变量与定性因变量的相关性。
# 卡方检验核心思想：实际观测值与期望值之间的偏离程度
# 实际观测值与期望值之间的偏离程度决定卡方值的大小，卡方值越小，偏差越小，实际值越趋于符合期望值

# 选择K个最好的特征，返回选择特征后的数据
data_chi2 = SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)
print("data_chi2:\n", data_chi2)


####################################################################################
# （3）最大信息系数法(Maximal information coefficient, MIC)。
# MIC是基于互信息理论的，经典的互信息也是评价定性自变量与定性因变量相关性的方法。

# 两个随机变量的互信息是变量间相互依赖性的量度，度量两个随机变量共享的信息
# 也可以说互信息是指知道随机变量x，对随机变量y的不确定性（熵，表示一个随机变量的信息量）的减少


# 由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.5
def mic(x, y):
    m = MINE()
    m.compute_score(x, y)
    # m.mic():
    # Returns the Maximal Information Coefficient (MIC or MIC_e).
    return (m.mic(), 0.5)


# 选择K个最好的特征，返回特征选择后的数据
data_mic = SelectKBest(
    lambda X, Y: np.array(list(map(lambda x: mic(x, Y), X.T))).T[0],
    k=2).fit_transform(iris.data, iris.target)

print("data_mic:\n", data_mic)

 
运行结果：

iris.data:
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]
[5.4 3.9 1.7 0.4]
[4.6 3.4 1.4 0.3]
[5. 3.4 1.5 0.2]
[4.4 2.9 1.4 0.2]
[4.9 3.1 1.5 0.1]
[5.4 3.7 1.5 0.2]
[4.8 3.4 1.6 0.2]
[4.8 3. 1.4 0.1]
[4.3 3. 1.1 0.1]
[5.8 4. 1.2 0.2]
[5.7 4.4 1.5 0.4]
[5.4 3.9 1.3 0.4]
[5.1 3.5 1.4 0.3]
[5.7 3.8 1.7 0.3]
[5.1 3.8 1.5 0.3]
[5.4 3.4 1.7 0.2]
[5.1 3.7 1.5 0.4]
[4.6 3.6 1. 0.2]
[5.1 3.3 1.7 0.5]
[4.8 3.4 1.9 0.2]
[5. 3. 1.6 0.2]
[5. 3.4 1.6 0.4]
[5.2 3.5 1.5 0.2]
[5.2 3.4 1.4 0.2]
[4.7 3.2 1.6 0.2]
[4.8 3.1 1.6 0.2]
[5.4 3.4 1.5 0.4]
[5.2 4.1 1.5 0.1]
[5.5 4.2 1.4 0.2]
[4.9 3.1 1.5 0.2]
[5. 3.2 1.2 0.2]
[5.5 3.5 1.3 0.2]
[4.9 3.6 1.4 0.1]
[4.4 3. 1.3 0.2]
[5.1 3.4 1.5 0.2]
[5. 3.5 1.3 0.3]
[4.5 2.3 1.3 0.3]
[4.4 3.2 1.3 0.2]
[5. 3.5 1.6 0.6]
[5.1 3.8 1.9 0.4]
[4.8 3. 1.4 0.3]
[5.1 3.8 1.6 0.2]
[4.6 3.2 1.4 0.2]
[5.3 3.7 1.5 0.2]
[5. 3.3 1.4 0.2]
[7. 3.2 4.7 1.4]
[6.4 3.2 4.5 1.5]
[6.9 3.1 4.9 1.5]
[5.5 2.3 4. 1.3]
[6.5 2.8 4.6 1.5]
[5.7 2.8 4.5 1.3]
[6.3 3.3 4.7 1.6]
[4.9 2.4 3.3 1. ]
[6.6 2.9 4.6 1.3]
[5.2 2.7 3.9 1.4]
[5. 2. 3.5 1. ]
[5.9 3. 4.2 1.5]
[6. 2.2 4. 1. ]
[6.1 2.9 4.7 1.4]
[5.6 2.9 3.6 1.3]
[6.7 3.1 4.4 1.4]
[5.6 3. 4.5 1.5]
[5.8 2.7 4.1 1. ]
[6.2 2.2 4.5 1.5]
[5.6 2.5 3.9 1.1]
[5.9 3.2 4.8 1.8]
[6.1 2.8 4. 1.3]
[6.3 2.5 4.9 1.5]
[6.1 2.8 4.7 1.2]
[6.4 2.9 4.3 1.3]
[6.6 3. 4.4 1.4]
[6.8 2.8 4.8 1.4]
[6.7 3. 5. 1.7]
[6. 2.9 4.5 1.5]
[5.7 2.6 3.5 1. ]
[5.5 2.4 3.8 1.1]
[5.5 2.4 3.7 1. ]
[5.8 2.7 3.9 1.2]
[6. 2.7 5.1 1.6]
[5.4 3. 4.5 1.5]
[6. 3.4 4.5 1.6]
[6.7 3.1 4.7 1.5]
[6.3 2.3 4.4 1.3]
[5.6 3. 4.1 1.3]
[5.5 2.5 4. 1.3]
[5.5 2.6 4.4 1.2]
[6.1 3. 4.6 1.4]
[5.8 2.6 4. 1.2]
[5. 2.3 3.3 1. ]
[5.6 2.7 4.2 1.3]
[5.7 3. 4.2 1.2]
[5.7 2.9 4.2 1.3]
[6.2 2.9 4.3 1.3]
[5.1 2.5 3. 1.1]
[5.7 2.8 4.1 1.3]
[6.3 3.3 6. 2.5]
[5.8 2.7 5.1 1.9]
[7.1 3. 5.9 2.1]
[6.3 2.9 5.6 1.8]
[6.5 3. 5.8 2.2]
[7.6 3. 6.6 2.1]
[4.9 2.5 4.5 1.7]
[7.3 2.9 6.3 1.8]
[6.7 2.5 5.8 1.8]
[7.2 3.6 6.1 2.5]
[6.5 3.2 5.1 2. ]
[6.4 2.7 5.3 1.9]
[6.8 3. 5.5 2.1]
[5.7 2.5 5. 2. ]
[5.8 2.8 5.1 2.4]
[6.4 3.2 5.3 2.3]
[6.5 3. 5.5 1.8]
[7.7 3.8 6.7 2.2]
[7.7 2.6 6.9 2.3]
[6. 2.2 5. 1.5]
[6.9 3.2 5.7 2.3]
[5.6 2.8 4.9 2. ]
[7.7 2.8 6.7 2. ]
[6.3 2.7 4.9 1.8]
[6.7 3.3 5.7 2.1]
[7.2 3.2 6. 1.8]
[6.2 2.8 4.8 1.8]
[6.1 3. 4.9 1.8]
[6.4 2.8 5.6 2.1]
[7.2 3. 5.8 1.6]
[7.4 2.8 6.1 1.9]
[7.9 3.8 6.4 2. ]
[6.4 2.8 5.6 2.2]
[6.3 2.8 5.1 1.5]
[6.1 2.6 5.6 1.4]
[7.7 3. 6.1 2.3]
[6.3 3.4 5.6 2.4]
[6.4 3.1 5.5 1.8]
[6. 3. 4.8 1.8]
[6.9 3.1 5.4 2.1]
[6.7 3.1 5.6 2.4]
[6.9 3.1 5.1 2.3]
[5.8 2.7 5.1 1.9]
[6.8 3.2 5.9 2.3]
[6.7 3.3 5.7 2.5]
[6.7 3. 5.2 2.3]
[6.3 2.5 5. 1.9]
[6.5 3. 5.2 2. ]
[6.2 3.4 5.4 2.3]
[5.9 3. 5.1 1.8]]
iris.target:
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
data_cor:
[[1.4 0.2]
[1.4 0.2]
[1.3 0.2]
[1.5 0.2]
[1.4 0.2]
[1.7 0.4]
[1.4 0.3]
[1.5 0.2]
[1.4 0.2]
[1.5 0.1]
[1.5 0.2]
[1.6 0.2]
[1.4 0.1]
[1.1 0.1]
[1.2 0.2]
[1.5 0.4]
[1.3 0.4]
[1.4 0.3]
[1.7 0.3]
[1.5 0.3]
[1.7 0.2]
[1.5 0.4]
[1. 0.2]
[1.7 0.5]
[1.9 0.2]
[1.6 0.2]
[1.6 0.4]
[1.5 0.2]
[1.4 0.2]
[1.6 0.2]
[1.6 0.2]
[1.5 0.4]
[1.5 0.1]
[1.4 0.2]
[1.5 0.2]
[1.2 0.2]
[1.3 0.2]
[1.4 0.1]
[1.3 0.2]
[1.5 0.2]
[1.3 0.3]
[1.3 0.3]
[1.3 0.2]
[1.6 0.6]
[1.9 0.4]
[1.4 0.3]
[1.6 0.2]
[1.4 0.2]
[1.5 0.2]
[1.4 0.2]
[4.7 1.4]
[4.5 1.5]
[4.9 1.5]
[4. 1.3]
[4.6 1.5]
[4.5 1.3]
[4.7 1.6]
[3.3 1. ]
[4.6 1.3]
[3.9 1.4]
[3.5 1. ]
[4.2 1.5]
[4. 1. ]
[4.7 1.4]
[3.6 1.3]
[4.4 1.4]
[4.5 1.5]
[4.1 1. ]
[4.5 1.5]
[3.9 1.1]
[4.8 1.8]
[4. 1.3]
[4.9 1.5]
[4.7 1.2]
[4.3 1.3]
[4.4 1.4]
[4.8 1.4]
[5. 1.7]
[4.5 1.5]
[3.5 1. ]
[3.8 1.1]
[3.7 1. ]
[3.9 1.2]
[5.1 1.6]
[4.5 1.5]
[4.5 1.6]
[4.7 1.5]
[4.4 1.3]
[4.1 1.3]
[4. 1.3]
[4.4 1.2]
[4.6 1.4]
[4. 1.2]
[3.3 1. ]
[4.2 1.3]
[4.2 1.2]
[4.2 1.3]
[4.3 1.3]
[3. 1.1]
[4.1 1.3]
[6. 2.5]
[5.1 1.9]
[5.9 2.1]
[5.6 1.8]
[5.8 2.2]
[6.6 2.1]
[4.5 1.7]
[6.3 1.8]
[5.8 1.8]
[6.1 2.5]
[5.1 2. ]
[5.3 1.9]
[5.5 2.1]
[5. 2. ]
[5.1 2.4]
[5.3 2.3]
[5.5 1.8]
[6.7 2.2]
[6.9 2.3]
[5. 1.5]
[5.7 2.3]
[4.9 2. ]
[6.7 2. ]
[4.9 1.8]
[5.7 2.1]
[6. 1.8]
[4.8 1.8]
[4.9 1.8]
[5.6 2.1]
[5.8 1.6]
[6.1 1.9]
[6.4 2. ]
[5.6 2.2]
[5.1 1.5]
[5.6 1.4]
[6.1 2.3]
[5.6 2.4]
[5.5 1.8]
[4.8 1.8]
[5.4 2.1]
[5.6 2.4]
[5.1 2.3]
[5.1 1.9]
[5.9 2.3]
[5.7 2.5]
[5.2 2.3]
[5. 1.9]
[5.2 2. ]
[5.4 2.3]
[5.1 1.8]]
data_chi2:
[[1.4 0.2]
[1.4 0.2]
[1.3 0.2]
[1.5 0.2]
[1.4 0.2]
[1.7 0.4]
[1.4 0.3]
[1.5 0.2]
[1.4 0.2]
[1.5 0.1]
[1.5 0.2]
[1.6 0.2]
[1.4 0.1]
[1.1 0.1]
[1.2 0.2]
[1.5 0.4]
[1.3 0.4]
[1.4 0.3]
[1.7 0.3]
[1.5 0.3]
[1.7 0.2]
[1.5 0.4]
[1. 0.2]
[1.7 0.5]
[1.9 0.2]
[1.6 0.2]
[1.6 0.4]
[1.5 0.2]
[1.4 0.2]
[1.6 0.2]
[1.6 0.2]
[1.5 0.4]
[1.5 0.1]
[1.4 0.2]
[1.5 0.2]
[1.2 0.2]
[1.3 0.2]
[1.4 0.1]
[1.3 0.2]
[1.5 0.2]
[1.3 0.3]
[1.3 0.3]
[1.3 0.2]
[1.6 0.6]
[1.9 0.4]
[1.4 0.3]
[1.6 0.2]
[1.4 0.2]
[1.5 0.2]
[1.4 0.2]
[4.7 1.4]
[4.5 1.5]
[4.9 1.5]
[4. 1.3]
[4.6 1.5]
[4.5 1.3]
[4.7 1.6]
[3.3 1. ]
[4.6 1.3]
[3.9 1.4]
[3.5 1. ]
[4.2 1.5]
[4. 1. ]
[4.7 1.4]
[3.6 1.3]
[4.4 1.4]
[4.5 1.5]
[4.1 1. ]
[4.5 1.5]
[3.9 1.1]
[4.8 1.8]
[4. 1.3]
[4.9 1.5]
[4.7 1.2]
[4.3 1.3]
[4.4 1.4]
[4.8 1.4]
[5. 1.7]
[4.5 1.5]
[3.5 1. ]
[3.8 1.1]
[3.7 1. ]
[3.9 1.2]
[5.1 1.6]
[4.5 1.5]
[4.5 1.6]
[4.7 1.5]
[4.4 1.3]
[4.1 1.3]
[4. 1.3]
[4.4 1.2]
[4.6 1.4]
[4. 1.2]
[3.3 1. ]
[4.2 1.3]
[4.2 1.2]
[4.2 1.3]
[4.3 1.3]
[3. 1.1]
[4.1 1.3]
[6. 2.5]
[5.1 1.9]
[5.9 2.1]
[5.6 1.8]
[5.8 2.2]
[6.6 2.1]
[4.5 1.7]
[6.3 1.8]
[5.8 1.8]
[6.1 2.5]
[5.1 2. ]
[5.3 1.9]
[5.5 2.1]
[5. 2. ]
[5.1 2.4]
[5.3 2.3]
[5.5 1.8]
[6.7 2.2]
[6.9 2.3]
[5. 1.5]
[5.7 2.3]
[4.9 2. ]
[6.7 2. ]
[4.9 1.8]
[5.7 2.1]
[6. 1.8]
[4.8 1.8]
[4.9 1.8]
[5.6 2.1]
[5.8 1.6]
[6.1 1.9]
[6.4 2. ]
[5.6 2.2]
[5.1 1.5]
[5.6 1.4]
[6.1 2.3]
[5.6 2.4]
[5.5 1.8]
[4.8 1.8]
[5.4 2.1]
[5.6 2.4]
[5.1 2.3]
[5.1 1.9]
[5.9 2.3]
[5.7 2.5]
[5.2 2.3]
[5. 1.9]
[5.2 2. ]
[5.4 2.3]
[5.1 1.8]]
data_mic:
[[1.4 0.2]
[1.4 0.2]
[1.3 0.2]
[1.5 0.2]
[1.4 0.2]
[1.7 0.4]
[1.4 0.3]
[1.5 0.2]
[1.4 0.2]
[1.5 0.1]
[1.5 0.2]
[1.6 0.2]
[1.4 0.1]
[1.1 0.1]
[1.2 0.2]
[1.5 0.4]
[1.3 0.4]
[1.4 0.3]
[1.7 0.3]
[1.5 0.3]
[1.7 0.2]
[1.5 0.4]
[1. 0.2]
[1.7 0.5]
[1.9 0.2]
[1.6 0.2]
[1.6 0.4]
[1.5 0.2]
[1.4 0.2]
[1.6 0.2]
[1.6 0.2]
[1.5 0.4]
[1.5 0.1]
[1.4 0.2]
[1.5 0.2]
[1.2 0.2]
[1.3 0.2]
[1.4 0.1]
[1.3 0.2]
[1.5 0.2]
[1.3 0.3]
[1.3 0.3]
[1.3 0.2]
[1.6 0.6]
[1.9 0.4]
[1.4 0.3]
[1.6 0.2]
[1.4 0.2]
[1.5 0.2]
[1.4 0.2]
[4.7 1.4]
[4.5 1.5]
[4.9 1.5]
[4. 1.3]
[4.6 1.5]
[4.5 1.3]
[4.7 1.6]
[3.3 1. ]
[4.6 1.3]
[3.9 1.4]
[3.5 1. ]
[4.2 1.5]
[4. 1. ]
[4.7 1.4]
[3.6 1.3]
[4.4 1.4]
[4.5 1.5]
[4.1 1. ]
[4.5 1.5]
[3.9 1.1]
[4.8 1.8]
[4. 1.3]
[4.9 1.5]
[4.7 1.2]
[4.3 1.3]
[4.4 1.4]
[4.8 1.4]
[5. 1.7]
[4.5 1.5]
[3.5 1. ]
[3.8 1.1]
[3.7 1. ]
[3.9 1.2]
[5.1 1.6]
[4.5 1.5]
[4.5 1.6]
[4.7 1.5]
[4.4 1.3]
[4.1 1.3]
[4. 1.3]
[4.4 1.2]
[4.6 1.4]
[4. 1.2]
[3.3 1. ]
[4.2 1.3]
[4.2 1.2]
[4.2 1.3]
[4.3 1.3]
[3. 1.1]
[4.1 1.3]
[6. 2.5]
[5.1 1.9]
[5.9 2.1]
[5.6 1.8]
[5.8 2.2]
[6.6 2.1]
[4.5 1.7]
[6.3 1.8]
[5.8 1.8]
[6.1 2.5]
[5.1 2. ]
[5.3 1.9]
[5.5 2.1]
[5. 2. ]
[5.1 2.4]
[5.3 2.3]
[5.5 1.8]
[6.7 2.2]
[6.9 2.3]
[5. 1.5]
[5.7 2.3]
[4.9 2. ]
[6.7 2. ]
[4.9 1.8]
[5.7 2.1]
[6. 1.8]
[4.8 1.8]
[4.9 1.8]
[5.6 2.1]
[5.8 1.6]
[6.1 1.9]
[6.4 2. ]
[5.6 2.2]
[5.1 1.5]
[5.6 1.4]
[6.1 2.3]
[5.6 2.4]
[5.5 1.8]
[4.8 1.8]
[5.4 2.1]
[5.6 2.4]
[5.1 2.3]
[5.1 1.9]
[5.9 2.3]
[5.7 2.5]
[5.2 2.3]
[5. 1.9]
[5.2 2. ]
[5.4 2.3]
[5.1 1.8]]

Process finished with exit code 0

糯米君_
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习中特征选择的几种方法原理和代码实现（python）
Chelseady的博客
09-09 5424
一.特征选择-单变量特征选择 1.SelectKBest可以依据相关性对特征进行选择，保留k个评分最高的特征。 方差分析 分类问题使用f_classif，回归问题使用f_regression。 f_classif：分类任务 跟目标的分类，将样本划分成n个子集，S1,S2,..,Sn，我们希望每个子集的均值μ1，μ2，...，μn不相等。 我们假设H0:μ1=μ2=...=μn，当...
pythonselect函数_获取SelectKBest函数python的功能名称
weixin_39547298的博客
12-15 1110
您可以获取所选功能的索引。示例1：from sklearn.datasets import load_irisfrom sklearn.feature_selection import SelectKBestfrom sklearn.feature_selection import chi2iris = load_iris()X, y = iris.data, iris.targetselecto...
特征选择 - SelectKBest
热门推荐
壮壮不太胖的学习笔记
05-17 1万+
文章目录如何使用SelectKBest使用实例 官网：sklearn.feature_selection.SelectKBest 如何使用SelectKBest 根据给定的选择器 选择出前k个与标签最相关的特征。 class sklearn.feature_selection.SelectKBest(score_func=<function f_classif>, *, k=10) 参数说明： Parameters ---------- score_func: 可调用的 函数输入两
特征选择函数--selectKBest
m0_54510474的博客
10-09 4577
sklearn.selection子类中的特征选择函数SelectKBest()函数api简介
Python数据分析：特征选择-SelectKBest
喜欢大海
09-03 1万+
一、参数：SelectKBest(score_func= f_classif, k=10) score_func：特征选择要使用的方法，默认适合分类问题的F检验分类：f_classif。 k ：取得分最高的前k个特征，默认10个。 二、属性：fit(x,y)方法后才能调用 scores_ ：返回每个特征的得分 pvalues_ : 返回每个特征得分对应的p_value值。如果score_func只返回分数，则pvalues_返回空。 三、常用方法 fit(x,y)：传入特征集x和标签y 拟合数据。 tran
特征选择SelectKBest
M_arshal_的博客
10-24 2497
一、如何进行特性选择？ 1、例子引入 import pandas as pd import numpy as np data = pd.read_csv('./input/covid.train.csv') x = data[data.columns[1:94]] y = data[data.columns[94]] from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import f_reg
数据筛选特征方法-方差法
12-21
在数理统计中，方差是测算随机变量离散趋势最重要、最...sklearn库中的用于特征选择的函数，使用VarianceThreshold法，先要计算各个特征的方差，然后根据阈值，剔除方差大于阈值的特征。 # -*- coding:utf-8 -*- impor
基于Stein-Weiss函数的彩色掌纹特征识别算法
04-30
首先为彩色掌纹图像中的每个像素点构建一个Stein-Weiss函数，再根据Stein-Weiss函数的解析性，计算出相应像素的16个特征值，将这些特征值输入到BP神经网络的输入层，通过BP神经网络的自学习能力对这些数据进行分类...
特征选择算法FEAST-V2.0.0(matlab)
07-23
FEAST算法是特征选择算法的一种，全称叫a FEAture Selection Toolbox for C and MATLAB算法，FEAST 提供了基于共同信息的滤波特征选择算法的实现，通过特征选择，可以帮助我们筛选出有用的特征，减少模型训练时间。...
论文研究-基于高性能特征选择函数的Web文档聚类算法.pdf
07-22
采用了一种高性能特征选择函数，在构建VSM时选取对区分类别贡献较大的特征词，因此有效地降低了特征空间的纬度，大大提高了系统的效率，改善了聚类的效果。通过真实数据集上的实验，证明其性能优于传统方法。
SelectKBest
weixin_30791095的博客
09-01 2355
https://www.e-learn.cn/content/python/2198918from sklearn.feature_selection import SelectKBest,f_classif #数据预处理过滤式特征选取SelectKBest模型 def test_SelectKBest(): X=[[1,2,3,4,5], [...
机器学习学习记录之sklearn特征选择SelectKBest函数
weixin_48266461的博客
02-26 7724
机器学习学习记录之sklearn特征选择SelectKBest函数 首先申明本人为小白，只是为了方便记录自己的学习过程并且监督自己所写的专栏，有什么问题欢迎各位大佬在评论区指正或者讨论。另外，需要引用请注明出处（虽然不是完全原创但是也是自己辛辛苦苦查资料写的啊QAQ），谢谢。 言归正传，遇到这个函数正如标题所言是在学习特征选择时，看到知乎上的回答“机器学习中，有哪些特征选择的工程方法？”（作者：城东链接：https://www.zhihu.com/question/28641663/answer/11016
特征选择---SelectKBest
qq_34211618的博客
03-05 5430
在sklearn中特征选择函数SelectKBest from sklearn.feature_selection import SelectKBest 调用方式 #skb = SelectKBest(chi2, k=3) ## 只考虑3个维度 #X1_train = skb.fit_transform(X1_train, Y1_train) ## 训练模型及特征选择 参数 1、score_fun...
sklearn库学习--SelectKBest 、f_regression
weixin_63016274的博客
03-16 4247
sklearn库学习--SelectKBest 、f_regression
吴裕雄 python 机器学习——数据预处理过滤式特征选取SelectKBest模型
weixin_30359021的博客
05-02 455
from sklearn.feature_selection import SelectKBest,f_classif #数据预处理过滤式特征选取SelectKBest模型 def test_SelectKBest(): X=[[1,2,3,4,5], [5,4,3,2,1], [3,3,3,3,3,], ...
【Python机器学习】零基础掌握SelectKBest特征选择
最新发布
Mr数据杨
10-27 334
本次介绍的是如何使用算法在电商推荐系统中优选影响购买的关键因素。通过模拟数据和实际应用案例，结果显示商品的价格和评分是最能影响用户购买决策的两个因素。优点总结，算法在选择关键特征方面表现出色，适用于多个领域和场景。优点名称对应描述说明简单易用无需复杂的参数设置高效运行速度快灵活性适用于多种类型的数据缺点总结，尽管算法在多个方面表现良好，但也有其局限性。缺点名称对应描述说明数据依赖性强需要合适的数据支持不能处理非线性主要适用于线性问题过拟合风险在小数据集上可能过拟合。
【机器学习】特征降维 | 主成分分析法 | 递归特征消除 | SelectKBest 卡方检验
weixin_46274756的博客
09-15 855
三种数据特征降维的方法
sklearn的SelectKBest特征选择函数的运用
lglily3347的博客
03-18 349
np.array(list(map( , ))) :map函数在Python3.x下返回迭代器，numpy.array()需写入list。map(lambda x: pearsonr(x, Y)[0], X.T) ：要计算的是每一个特征与预测结果的关系，不加转置则相当于是每一个样本与预测结果的关系了。#get_support(indices=True)：fit(x,y)后使用，返回特征过滤后保留下的特征列索引。#transform(x)：fit(x,y)后使用，转换数据，返回特征过滤后保留下的特征数据集。
使用SelectKBest进行特征筛选
06-02
`SelectKBest` 是 scikit-learn 中的一个特征选择工具，可以根据指定的评分函数选择最优特征。 以下是使用 `SelectKBest` 进行特征选择的一般流程： 1. 导入 `SelectKBest` 和评分函数（如 `f_classif`、`mutual_info_classif` 等）。 ```python from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import f_classif ``` 2. 创建 `SelectKBest` 对象，设置评分函数和选择的特征数量 k。 ```python selector = SelectKBest(score_func=f_classif, k=k) ``` 3. 使用 `fit_transform` 方法对原始数据进行特征选择，返回被选择的 k 个特征。 ```python X_new = selector.fit_transform(X, y) ``` 其中，`X` 是原始数据的特征矩阵，`y` 是对应的标签向量。`fit_transform` 方法同时对训练集进行拟合和转换。 4. 如果需要，也可以使用 `get_support` 方法获取被选择特征的索引或布尔类型数组。 ```python selector.get_support(indices=True) selector.get_support(mask=True) ``` 注意：在进行特征选择前，应该将特征矩阵和标签向量分别拆分成训练集和测试集，以免特征选择过程中泄露测试集信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值