scikit-learn中的SelectKBes函数

语法：

  SelectKBest(…)

类型：

  sklearn.feature_selection.univariate_selection模块中的函数，根据k最高分数选择特征。在用户指导中读取更多。

输入参数;

• 参数名：score_func
• 类型：callable

• 说明：函数使用两个数组x和y，并返回一对数组（分数，p值）或者一个带有分数的驻足，默认是 f_classif（参加下面的参见），默认函数只适用于分类任务。

• 参数名：k

• 类型： int or “all”, optional, default=10
• 说明：要选的最优特征的数量，”all”选项绕过选择，用于参数搜索。

属性：

• 参数名：scores_
• 类型：array-like, shape=(n_features,)

• 说明：特征的分数

• 参数名：pvalues_

• 类型：array-like, shape=(n_features,)
• 说明：特征值的p值，如果score_func只返回分数，则没有。

笔记：

  分数相等的特征之间的联系将以一种不确定的方式被打破。

参阅：

• f_classif:用于分类任务的标签/特性之间的ANOVA f值。 .
• mutual_info_classif: 一个离散目标的相互信息。 .
• chi2: 用于分类任务的非负特性的卡方统计。 .
• f_regression:用于回归任务的标签/特性之间的f值。
• mutual_info_regression: 连续目标的相互信息。
• SelectPercentile: 根据最高分数的百分位数选择特征。
• SelectFpr:根据错误的正速率测试选择特性。
• SelectFdr: 根据估计的错误发现率选择特性。
• SelectFwe: 选择基于整体错误率的特征。
• GenericUnivariateSelect: 具有可配置模式的单变量特征选择器。