sklearn.feature_selection

特征选择算法。

其中包括单变量过滤器选择方法和循环特征消除算法。

User guide. 看到 特征选择 部分了解更多详细信息。

GenericUnivariateSelect	具有可配置策略的单变量特征选择器。
RFE	特征排名，具有循环特征消除。
RFECV	通过交叉验证来选择特征的渐进特征消除。
SelectFdr	筛选器：选择估计错误发现率的p值。
SelectFpr	过滤器：根据FPR测试选择低于Alpha的p值。
SelectFromModel	元转换器，用于根据重要性权重选择特征。
SelectFwe	过滤器：选择与系列错误率对应的p值。
SelectKBest	根据k个最高分数选择特征。
SelectPercentile	根据最高分数的百分位数选择功能。
SelectorMixin	Transformer mixin，在给定支持屏蔽的情况下执行功能选择
SequentialFeatureSelector	执行顺序特征选择的Transformer。
VarianceThreshold	删除所有低方差特征的特征选择器。
chi2	计算每个非负特征和类别之间的卡方统计数据。
f_classif	计算所提供样本的方差分析F值。
f_regression	单变量线性回归测试返回F统计量和p值。
mutual_info_classif	估计离散目标变量的互信息。
mutual_info_regression	估计连续目标变量的互信息。
r_regression	计算每个特征和目标的Pearson r。