Python sklearn SelectFdr用法及代碼示例

本文簡要介紹python語言中 sklearn.feature_selection.SelectFdr 的用法。

用法:

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

過濾器：選擇估計錯誤發現率的 p 值。

這使用Benjamini-Hochberg 過程。 alpha 是預期錯誤發現率的上限。

在用戶指南中閱讀更多信息。

參數：

score_func：可調用，默認=f_classif

函數采用兩個數組 X 和 y，並返回一對數組(分數，pvalues)。默認為 f_classif(見下文“See Also”)。默認函數僅適用於分類任務。

alpha：浮點數，默認=5e-2

要保留的特征的最高未校正 p 值。

屬性：

scores_：形狀類似數組 (n_features,)

分數的函數。

pvalues_：形狀類似數組 (n_features,)

特征得分的 p 值。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

參考：

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)