RFE#
- class sklearn.feature_selection.RFE(estimator, *, n_features_to_select=None, step=1, verbose=0, importance_getter='auto')[源代码]#
特征排名，具有循环特征消除。
给定一个外部估计器，为特征分配权重（例如，线性模型的系数），递归特征消除（RFE）的目标是通过递归地考虑越来越小的特征集合来选择特征。首先，估计器在初始特征集上进行训练，每个特征的重要性通过任何特定属性或可调用项获得。然后，从当前特征集中修剪最不重要的特征。该过程在修剪后的集中循环重复，直到最终达到要选择的特征的所需数量。
阅读更多的 User Guide .
- 参数:
- estimator :
Estimator例如估计实例 具有监督学习估计器
fit提供有关特征重要性信息的方法（例如coef_,feature_importances_).- n_features_to_selectint或float，默认=无
要选择的功能数量。如果
None，则选择一半的特征。如果是整数，则参数是要选择的特征的绝对数量。如果在0和1之间浮动，则它是要选择的要素的分数。在 0.24 版本发生变更: 为分数添加了浮动值。
- stepint或float，默认=1
如果大于或等于1，则
step对应于每次迭代要删除的特征的（整）数量。如果在（0.0，1.0）内，那么step对应于每次迭代时要删除的功能的百分比（向下四舍五入）。- verboseint，默认=0
控制输出的详细程度。
- importance_getter字符串或可调用，默认=' Auto '
如果为“自动”，则通过
coef_或feature_importances_估计量的属性。还接受指定用于提取要素重要性的属性名称/路径的字符串（使用实现
attrgetter).比如给regressor_.coef_的情况下TransformedTargetRegressor或named_steps.clf.feature_importances_如果是类：'~sklearn.pipeline.Pipeline '，其最后一步名为clf.如果
callable，覆盖默认功能重要性获取器。调用对象与匹配的估计器一起传递，并且它应该返回每个特征的重要性。Added in version 0.24.
- estimator :
- 属性:
classes_形状的nd数组（n_classes，）类别标签可用时
estimator是分类器。- estimator_ :
Estimator例如估计实例 用于选择特征的匹配估计量。
- n_features_int
选定功能的数量。
- n_features_in_int
期间看到的功能数量 fit .仅在基础估计器在适合时暴露此类属性时才定义。
Added in version 0.24.
- feature_names_in_ ：nd形状数组 (
n_features_in_,)nd数组形状（ Names of features seen during fit. Defined only when
Xhas feature names that are all strings.Added in version 1.0.
- ranking_形状的nd数组（n_features，）
功能排名，例如
ranking_[i]对应于第i个要素的排名位置。选择（即，估计的最佳）特征被分配为排名1。- support_形状的nd数组（n_features，）
选定特征的面具。
参见
RFECV通过内置交叉验证选择最佳数量的特征来实现渐进特征消除。
SelectFromModel基于重要性权重阈值的特征选择。
SequentialFeatureSelector基于顺序交叉验证的特征选择。不依赖于重要性权重。
注意到
如果基础估计器也允许NaN/Inf，则允许输入中的NaN/Inf。
引用
[1]盖伊，I.，Weston，J.，南卡罗来纳州巴恩希尔，& Vapnik，V.，“使用支持载体机进行癌症分类的基因选择”，马赫。学习。，46（1-3），389--422，2002年。
示例
下面的示例展示了如何检索Friedman #1数据集中信息量最大的5个特征。
>>> from sklearn.datasets import make_friedman1 >>> from sklearn.feature_selection import RFE >>> from sklearn.svm import SVR >>> X, y = make_friedman1(n_samples=50, n_features=10, random_state=0) >>> estimator = SVR(kernel="linear") >>> selector = RFE(estimator, n_features_to_select=5, step=1) >>> selector = selector.fit(X, y) >>> selector.support_ array([ True, True, True, True, True, False, False, False, False, False]) >>> selector.ranking_ array([1, 1, 1, 1, 1, 6, 4, 3, 2, 5])
- decision_function(X)[源代码]#
计算的决策函数
X.- 参数:
- X形状（n_样本，n_特征）的{类阵列或稀疏矩阵}
输入样本。在内部，它将被转换为
dtype=np.float32并且如果将稀疏矩阵提供给稀疏矩阵csr_matrix.
- 返回:
- score数组，形状= [n_samples, n_classes] 或 [n_samples]
输入样本的决策函数。类的顺序与属性中的顺序相对应 classes_ .回归和二元分类产生一系列形状 [n_samples] .
- fit(X, y, **fit_params)[源代码]#
根据所选特征对RFE模型进行匹配，然后根据所选特征对基础估计器进行匹配。
- 参数:
- X形状（n_samples，n_features）的{类数组，稀疏矩阵}
训练输入样本。
- y形状类似阵列（n_samples，）
The target values.
- **fit_paramsdict
如果
enable_metadata_routing=False（默认）：参数直接传递给fit基本估计者的方法。如果
enable_metadata_routing=True：参数安全路由到fit基本估计者的方法。
在 1.6 版本发生变更: 看到 Metadata Routing User Guide 了解更多详细信息。
- 返回:
- self对象
拟合估计量。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
Mask feature names according to selected features.
- 参数:
- input_features字符串或无的类数组，默认=无
输入功能。
如果
input_features是None那么feature_names_in_在中用作功能名称。如果feature_names_in_未定义，则生成以下输入要素名称：["x0", "x1", ..., "x(n_features_in_ - 1)"].如果
input_features是一个类似阵列的，那么input_features必须匹配feature_names_in_如果feature_names_in_是定义的。
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
Added in version 1.6.
- 返回:
- routingMetadataRouter
A
MetadataRouter封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- get_support(indices=False)[源代码]#
获取所选要素的屏蔽或整指数。
- 参数:
- indices布尔，默认=假
如果为True，则返回值将是一个integer数组，而不是布尔屏蔽。
- 返回:
- support阵列
从特征载体中选择保留特征的索引。如果
indices为假，这是形状的布尔数组 [# input features] ，其中只要选择其相应的特征进行保留，元素就为True。如果indices是True，这是一个形状的整数组 [# output features] 其值是输入特征载体的索引。
- inverse_transform(X)[源代码]#
逆转转型操作。
- 参数:
- X形状数组 [n_samples, n_selected_features]
输入样本。
- 返回:
- X_r形状数组 [n_samples, n_original_features]
X在将删除要素的位置插入零列transform.
- predict(X, **predict_params)[源代码]#
将X减少到所选特征并使用估计器进行预测。
- 参数:
- X形状数组 [n_samples, n_features]
输入样本。
- **predict_paramsdict
要路由到
predict基本估计者的方法。Added in version 1.6: 仅在以下情况下可用
enable_metadata_routing=True，可以使用sklearn.set_config(enable_metadata_routing=True).看到 Metadata Routing User Guide 了解更多详细信息。
- 返回:
- y形状数组 [n_samples]
预测目标值。
- predict_log_proba(X)[源代码]#
预测X的类对数概率。
- 参数:
- X形状数组 [n_samples, n_features]
输入样本。
- 返回:
- p形状数组（n_samples，n_classes）
输入样本的类对数概率。类的顺序与属性中的顺序相对应 classes_ .
- predict_proba(X)[源代码]#
预测X的类概率。
- 参数:
- X形状（n_样本，n_特征）的{类阵列或稀疏矩阵}
输入样本。在内部，它将被转换为
dtype=np.float32并且如果将稀疏矩阵提供给稀疏矩阵csr_matrix.
- 返回:
- p形状数组（n_samples，n_classes）
输入样本的类概率。类的顺序与属性中的顺序相对应 classes_ .
- score(X, y, **score_params)[源代码]#
将X减少到所选特征并返回估计器的分数。
- 参数:
- X形状数组 [n_samples, n_features]
输入样本。
- y形状数组 [n_samples]
The target values.
- **score_paramsdict
如果
enable_metadata_routing=False（默认）：参数直接传递给score基本估计者的方法。如果
enable_metadata_routing=True：参数安全路由到score基本估计者的方法。
Added in version 1.0.
在 1.6 版本发生变更: 看到 Metadata Routing User Guide 了解更多详细信息。
- 返回:
- score浮子
Score of the underlying base estimator computed with the selected features returned by
rfe.transform(X)andy.
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。