Ctrl+K

SequentialFeatureSelector#

class sklearn.feature_selection.SequentialFeatureSelector(estimator, *, n_features_to_select='auto', tol=None, direction='forward', scoring=None, cv=5, n_jobs=None)[源代码]#

执行顺序特征选择的Transformer。

此顺序特征选择器以贪婪的方式添加（向前选择）或删除（向后选择）特征以形成特征子集。在每个阶段，该估计器根据估计器的交叉验证分数选择要添加或删除的最佳特征。在无监督学习的情况下，该序列特征查找器仅查看特征（X），而不是所需的输出（y）。

阅读更多的 User Guide .

Added in version 0.24.

参数:
estimator估计器实例

一个不合适的估计者。

n_features_to_select“Auto”，int或float，默认=“Auto”

如果 "auto" ，行为取决于 tol 参数：

  • 如果 tol 不 None ，则在分数变化不超过的情况下选择要素 tol .

  • 否则，将选择一半的功能。

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。

Added in version 1.1: 的选项 "auto" 是在1.1版本中添加的。

在 1.3 版本发生变更: 默认更改为 "warn" 到 "auto" 在1.3。

tolfloat，默认=无

如果分数没有增加至少 tol 在两次连续的功能添加或删除之间，停止添加或删除。

tol 使用删除功能时可能是负面的 direction="backward" . tol 在进行前向选择时必须严格为正。以分数的小幅降低为代价减少特征的数量可能是有用的。

tol 仅在以下情况下启用 n_features_to_select 是 "auto" .

Added in version 1.1.

direction' forward '，'，默认=' forward '

是向前选择还是向后选择。

scoring字符串或可调用，默认=无

单个字符串（请参阅 的 scoring 参数：定义模型评估规则 ）或可赎回债券（见 可召唤得分手 ）评估测试集中的预测。

请注意，当使用自定义评分器时，它应该返回单个值。

如果无，则使用估计器的评分方法。

cvint，交叉验证生成器或可迭代对象，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

  • 无，要使用默认的5重交叉验证，

  • integer，指定中的折叠数 (Stratified)KFold ,

  • CV splitter ,

  • 可迭代产出（训练、测试）分裂为索引数组。

对于integer/Non-输入，如果估计器是分类器并且 y 是二元或多类， StratifiedKFold 采用了在所有其他情况下， KFold 采用了这些拆分器实例化为 shuffle=False 因此不同呼叫之间的拆分将是相同的。

指 User Guide 这里可以使用的各种交叉验证策略。

n_jobsint，默认=无

要并行运行的作业数。当评估要添加或删除的新功能时，交叉验证过程是平行的。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

属性:
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 X has feature names that are all strings.

Added in version 1.0.

n_features_to_select_int

选择的功能数量。

support_ndarray of shape（n_features，），dtype=bool

选定特征的面具。

参见

GenericUnivariateSelect

具有可配置策略的单变量特征选择器。

RFE

基于重要性权重的递进特征消除。

RFECV

基于重要性权重的递进特征消除，并自动选择特征数量。

SelectFromModel

基于重要性权重阈值的特征选择。

示例

>>> from sklearn.feature_selection import SequentialFeatureSelector
>>> from sklearn.neighbors import KNeighborsClassifier
>>> from sklearn.datasets import load_iris
>>> X, y = load_iris(return_X_y=True)
>>> knn = KNeighborsClassifier(n_neighbors=3)
>>> sfs = SequentialFeatureSelector(knn, n_features_to_select=3)
>>> sfs.fit(X, y)
SequentialFeatureSelector(estimator=KNeighborsClassifier(n_neighbors=3),
                          n_features_to_select=3)
>>> sfs.get_support()
array([ True, False,  True,  True])
>>> sfs.transform(X).shape
(150, 3)
fit(X, y=None, **params)[源代码]#

了解要从X中选择的功能。

参数:
X形状类似阵列（n_samples，n_features）

训练载体，在哪里 n_samples 是样本数量和 n_features 是预测因子的数量。

y形状类似数组（n_samples，），默认=无

目标值。对于无监督学习，该参数可能会被忽略。

**paramsdict，默认=无

要传递给基础 estimator , cv 和 scorer 对象

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:
self对象

返回实例本身。

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 .

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。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计参数。

返回:
self估计器实例

估计实例。

transform(X)[源代码]#

Reduce X to the selected features.

参数:
X形状数组 [n_samples, n_features]

输入样本。

返回:
X_r形状数组 [n_samples, n_selected_features]

仅具有选定特征的输入样本。

On this page