selectKBest

SelectKBest是scikit-learn中的一个特征选择方法。它通过评估每个特征与目标变量之间的相关性来选择最具有代表性的特征。SelectKBest的用法包括以下几个步骤：

1. 实例化SelectKBest对象，指定所使用的特征选择方法和要选择的特征数量。例如，可以使用卡方过滤法chi2作为特征选择方法，设置k=2，即选择两个最相关的特征。
2. 调用fit方法，传入特征集x和标签y，拟合数据，计算每个特征与目标变量的相关性得分。
3. 可以使用scores_属性，返回每个特征的得分，用于评估特征的重要性。
4. 可以使用pvalues_属性，返回每个特征得分对应的p值，用于评估特征与目标变量之间的显著性。
5. 可以使用get_support(indices=True)方法，返回特征过滤后保留下的特征列索引，用于获取选择的特征在原始数据中的位置。
6. 可以使用transform方法，传入特征集x，对数据进行转换，返回特征过滤后保留下的特征数据集。
7. 也可以使用fit_transform方法，一步到位地拟合数据和转换数据。

示例代码如下：

from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectKBest, chi2

iris = load_iris()
x, y = iris.data, iris.target

skb = SelectKBest(chi2, k=2)
skb = skb.fit(x, y)
scores = skb.scores_
pvalues = skb.pvalues_
selected_indices = skb.get_support(indices=True)
selected_features = skb.transform(x)
selected_features = skb.fit_transform(x, y)