SelectKBest()函数的用法，适用场景，使用的原因，请用python实现

SelectKBest()函数是Scikit-learn库中的一个函数，可以用于特征选择。它可以从所有特征中选择K个最相关的特征，可以通过指定不同的打分函数来选择特征。适用场景是在特征数量较多时，通过选择最相关的特征，减少特征数量，提高模型的准确性和可解释性。

使用SelectKBest()函数的原因是，有时候我们需要从众多的特征中选择最相关的特征，以便训练出高质量的模型。而SelectKBest()函数可以帮助我们完成这个任务，它可以通过不同的打分函数来评估每个特征与因变量之间的相关性，并选择K个最相关的特征。

以下是一个使用SelectKBest()函数的示例代码：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectKBest, chi2

# 加载iris数据集
iris = load_iris()
X, y = iris.data, iris.target

# 使用卡方检验作为打分函数，选择2个最相关的特征
selector = SelectKBest(chi2, k=2)
X_new = selector.fit_transform(X, y)

# 输出选择的特征
mask = selector.get_support() # 获取掩码，即哪些特征被选择
new_features = iris.feature_names[mask] # 获取选择的特征
print(new_features)

上述代码首先从Scikit-learn库中导入了SelectKBest()函数和chi2()函数，然后加载了iris数据集。接着，使用SelectKBest()函数和chi2()函数来选择最相关的2个特征，并将选择的特征输出。