sklearn.feature_selection.SelectFromModel?

class sklearn.feature_selection.SelectFromModel(estimator, *, threshold=None, prefit=False, norm_order=1, max_features=None)

Meta-transformer用于根據重要度選擇特征。

0.17版中的新功能。

參數 說明
estimator object
用來構建transformer的基本估計器。既可以是擬合的(如果prefit設置為True),也可以是不擬合的估計器。這個估計器擬合之后必須具有 feature_importances_coef_屬性。
threshold string, float, optional default None
用于特征選擇的閾值。保留重要性更高或相等的特征,而其他特征則被丟棄。如果為“median”(或“mean”),則該threshold值為要素重要性的中位數(或均值)。也可以使用縮放因子(例如,“ 1.25 *平均值”)。如果為None(無),并且估計器的參數懲罰顯式或隱式設置為L1(例如Lasso),則使用的閾值為1e-5。否則,默認使用“mean”。
prefit bool, default False
預設模型是否直接傳遞給構造函數。如果為True,transform必須直接調用并且SelectFromModel不能使用cross_val_scoreGridSearchCV和與此估計類似的實用程序。否則,使用訓練模型fit,然后transform進行特征選擇。
norm_order non-zero int, inf, -inf, default 1
在估算器thresholdcoef_屬性為維度2 的情況下,用于過濾以下系數向量的范數的階數。
max_features int or None, optional
要選擇的最大特征數。若要僅基于max_features選擇,請設置threshold=-np.inf

0.20版中的新功能。
屬性 說明
estimator_ an estimator
用來構建transformer的基估計器。僅當將非擬合估計量傳遞給SelectFromModel時(即,當prefit為False時)才存儲。
threshold_ float
用于特征選擇的閾值。

如果基礎估算器也可以輸入,則允許NaN / Inf。

示例

>>> from sklearn.feature_selection import SelectFromModel
>>> from sklearn.linear_model import LogisticRegression
>>> X = [[ 0.87-1.34,  0.31 ],
...      [-2.79-0.02-0.85 ],
...      [-1.34-0.48-2.55 ],
...      [ 1.92,  1.48,  0.65 ]]
>>> y = [0101]
>>> selector = SelectFromModel(estimator=LogisticRegression()).fit(X, y)
>>> selector.estimator_.coef_
array([[-0.3252302 ,  0.83462377,  0.49750423]])
>>> selector.threshold_
0.55245...
>>> selector.get_support()
array([False,  TrueFalse])
>>> selector.transform(X)
array([[-1.34],
       [-0.02],
       [-0.48],
       [ 1.48]])

方法

方法 說明
fit(X[, y]) 擬合SelectFromModel元轉換器。
fit_transform(X[, y]) 擬合數據,然后對其進行轉換。
get_params([deep]) 獲取此估計器的參數。
get_support([indices]) 獲取所選特征的掩碼或整數索引。
inverse_transform(X) 反向轉換操作
partial_fit(X[, y]) 僅擬合SelectFromModel元轉換器一次。
set_params(**params) 設置此估計器的參數。
transform(X) 將X縮小為選定的特征。
__init__(estimator, *, threshold=None, prefit=False, norm_order=1, max_features=None)

[源碼]

初始化self,參見help(type(self))獲取更多信息。

fit(X, y=None, **fit_params)

[源碼]

擬合SelectFromModel元轉換器。

參數 說明
X array-like of shape (n_samples, n_features)
訓練輸入樣本。
y array-like of shape (n_samples,)
目標值(與分類中的類對應的整數,回歸中的真實值)。
**fit_params Other estimator specific parameters
返回值 說明
self object
fit_transform(X, y=None, **fit_params)

[源碼]

擬合數據,然后對其進行轉換。

使用可選參數fit_params將轉換器擬合到X和y,并返回X的轉換值。

參數 說明
X {array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y ndarray of shape (n_samples,), default=None
目標值
**fit_params dict
其他擬合參數。
返回值 說明
X_new ndarray array of shape (n_samples, n_features_new)
轉換后的數組。
get_params(deep=True)

[源碼]

獲取此估計器的參數。

參數 說明
deep bool, default=True
如果為True,則將返回此估算器和所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。
get_support(indices=False)

[源碼]

獲取所選特征的掩碼或整數索引。

參數 說明
indices boolean (default False)
如果為True,則返回值將是一個整數數組,而不是布爾掩碼。
返回值 說明
support array
從特征向量中選擇保留特征的索引。如果indices為False,則為形狀為[#輸入特征]的布爾數組,其中元素為True時(如果已選擇其對應的特征進行保留)。如果indices為True,則這是一個形狀為[#輸出特征]的整數數組,其值是輸入特征向量的索引。
inverse_transform(X)

[源碼]

反向轉換操作。

參數 說明
X array of shape [n_samples, n_selected_features]
輸入樣本。
返回值 說明
X_r array of shape [n_samples, n_original_features]
X中插入的列名為零的特征將被transform刪除。
partial_fit(X, y=None, **fit_params)

[源碼]

僅擬合SelectFromModel元轉換器一次。

參數 說明
X array-like of shape (n_samples, n_features)
訓練輸入樣本。
y array-like, shape (n_samples,)
目標值(與分類中的類對應的整數,回歸中的真實值)。
**fit_params Other estimator specific parameters
返回值 說明
self object
set_params(**params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象(例如管道)。后者具有<component>__<parameter>形式的參數, 以便可以更新嵌套對象的每個組件。

參數 說明
**params dict
估計器參數。
返回值 說明
self object
估計器實例。
transform(X)

[源碼]

將X縮小為選定的特征。

參數 說明
X array of shape [n_samples, n_features]
輸入樣本。
返回值 說明
X_r array of shape [n_samples, n_selected_features]
僅具有所選特征的輸入樣本。