VarianceThreshold#
- class sklearn.feature_selection.VarianceThreshold(threshold=0.0)[源代码]#
删除所有低方差特征的特征选择器。
该特征选择算法仅考虑特征（X），而不是期望的输出（y），因此可用于无监督学习。
阅读更多的 User Guide .
- 参数:
- thresholdfloat，默认=0
训练集方差低于此阈值的功能将被删除。默认情况是保留所有方差非零的特征，即删除所有样本中具有相同值的特征。
- 属性:
参见
SelectFromModel元转换器，用于根据重要性权重选择特征。
SelectPercentile根据最高分数的百分位数选择功能。
SequentialFeatureSelector执行顺序特征选择的Transformer。
注意到
允许在输入中使用NaN。如果X中没有特征满足方差阈值，则引发ValueError。
示例
以下数据集具有整特征，其中两个在每个样本中都相同。这些将通过阈值的默认设置删除：：
>>> from sklearn.feature_selection import VarianceThreshold >>> X = [[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]] >>> selector = VarianceThreshold() >>> selector.fit_transform(X) array([[2, 0], [1, 4], [1, 1]])
- fit(X, y=None)[源代码]#
从X中学习经验方差。
- 参数:
- X{类数组，稀疏矩阵}，形状（n_samples，n_features）
计算方差的数据，其中
n_samples是样本数量和n_features是功能的数量。- y任何，默认值=无
忽视此参数仅为与sklearn.pipeline.Pipeline.Pipeline兼容而存在。
- 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。
- 返回:
- routingMetadataRequest
A
MetadataRequest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。