sklearn.feature_selection

特徵選擇演算法。

這些包括單變數過濾選擇方法和遞迴特徵消除演算法。

使用者指南。 請參閱 特徵選擇 章節以取得更多詳細資訊。

GenericUnivariateSelect	具有可配置策略的單變數特徵選擇器。
RFE	使用遞迴特徵消除進行特徵排序。
RFECV	使用交叉驗證進行遞迴特徵消除以選擇特徵。
SelectFdr	篩選：選擇估計錯誤發現率的 p 值。
SelectFpr	篩選：根據 FPR 檢定，選擇 alpha 以下的 p 值。
SelectFromModel	基於重要性權重選擇特徵的元轉換器。
SelectFwe	篩選：選擇與家庭錯誤率對應的 p 值。
SelectKBest	根據 k 個最高分數選擇特徵。
SelectPercentile	根據最高分數的百分位數選擇特徵。
SelectorMixin	給定支援遮罩執行特徵選擇的轉換器混合
SequentialFeatureSelector	執行循序特徵選擇的轉換器。
VarianceThreshold	移除所有低變異數特徵的特徵選擇器。
chi2	計算每個非負特徵和類別之間的卡方統計量。
f_classif	計算所提供樣本的 ANOVA F 值。
f_regression	單變數線性迴歸檢定，傳回 F 統計量和 p 值。
mutual_info_classif	估計離散目標變數的互資訊。
mutual_info_regression	估計連續目標變數的互資訊。
r_regression	計算每個特徵和目標的皮爾遜 r 值。