CFS 特征选择python代码

CFS（Correlation-based Feature Selection）是一种特征选择方法，它通过计算特征与目标变量之间的相关性来评估特征的重要性，并选择相关性较高的特征。下面是一个使用Python实现CFS特征选择的代码示例：

import numpy as np
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2

def cfs(X, y, k):
    # 计算特征与目标变量之间的相关性矩阵
    corr_matrix = np.corrcoef(X.T, y)
    # 计算特征与目标变量之间的相关性系数
    corr_scores = corr_matrix[:-1, -1]
    # 根据相关性系数排序，选择前k个特征
    top_k_indices = np.argsort(np.abs(corr_scores))[-k:]
    return top_k_indices

# 示例数据
X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
y = np.array([1, 0, 1])

# 使用CFS选择2个特征
selected_indices = cfs(X, y, k=2)
selected_features = X[:, selected_indices]

print("Selected Features:")
print(selected_features)

上述代码中，我们首先计算特征与目标变量之间的相关性矩阵，然后计算相关性系数。接着，我们根据相关性系数的绝对值进行排序，并选择前k个特征。最后，我们输出选择的特征。