Python sklearn SelectFdr用法及代码示例

本文简要介绍python语言中 sklearn.feature_selection.SelectFdr 的用法。

用法:

class sklearn.feature_selection.SelectFdr(score_func=<function f_classif>, *, alpha=0.05)

过滤器：选择估计错误发现率的 p 值。

这使用Benjamini-Hochberg 过程。 alpha 是预期错误发现率的上限。

在用户指南中阅读更多信息。

参数：

score_func：可调用，默认=f_classif

函数采用两个数组 X 和 y，并返回一对数组(分数，pvalues)。默认为 f_classif(见下文“See Also”)。默认函数仅适用于分类任务。

alpha：浮点数，默认=5e-2

要保留的特征的最高未校正 p 值。

属性：

scores_：形状类似数组 (n_features,)

分数的函数。

pvalues_：形状类似数组 (n_features,)

特征得分的 p 值。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

参考：

https://en.wikipedia.org/wiki/False_discovery_rate

例子：

>>> from sklearn.datasets import load_breast_cancer
>>> from sklearn.feature_selection import SelectFdr, chi2
>>> X, y = load_breast_cancer(return_X_y=True)
>>> X.shape
(569, 30)
>>> X_new = SelectFdr(chi2, alpha=0.01).fit_transform(X, y)
>>> X_new.shape
(569, 16)