0

Récemment, j'étudie les méthodes de réduction de dimension et j'ai trouvé que le paquet python "sklearn.feature_selection" me semble très utile, mais le problème est que la méthode SelectPercentile.fit n'explique pas comment elle calcule la fonction de score.Comment la fonction de score SelectPercentile fonctionne-t-elle?

link

Est-ce que quelqu'un sait comment cela fonctionne? Merci d'avance. Par exemple, si je sélectionne "SelectFdr" pour "SelectPercentile", le critère de la méthode SelectFdr dépend de chaque valeur p de chaque entité. Comment puis-je savoir de quelle façon "SelectFdr" définit une hypothèse ou définit des taux d'erreur?

Méthode SelectFdr dont l'abonnement est "Sélectionner les fonctions en fonction d'un taux de découverte erroné estimé". Il doit donc utiliser des méthodes de classification au début, donc il peut calculer le taux de fausses découvertes, mon problème est de savoir quelle méthode de classification est dans "SelectPercentile".

+0

Je pense que l'utilisateur peut fournir sa propre fonction de score dans le constructeur. La fonction par défaut est is [f_classif] (http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.f_classif.html#sklearn.feature_selection.f_classif). –

Répondre

0

vous pouvez voir le commentaire du code source en lien ci-dessous: https://github.com/scikit-learn/scikit-learn/blob/ef5cb84a/sklearn/feature_selection/univariate_selection.py#L368

vous pouvez sélectionner la fonction de score en tant que paramètre. Si vous ne déterminez pas la fonction, la fonction par défaut est ANOVA.

+0

Par exemple, si je sélectionne "SelectFdr" pour "SelectPercentile", et que le critère de la méthode SelectFdr dépend de chaque valeur p de chaque entité. Comment puis-je savoir de quelle façon "SelectFdr" définit une hypothèse ou définit des taux d'erreur? A –

+0

Je l'ai eu, merci! –

+0

@MarcusLin dans ce cas, selectFdr utilise la procédure Benjamini-Hochberg. dans le code source de cette bibliothèque chaque méthode a un commentaire qui dit quoi faire. –