<code>SelectKBest</code>. Этот метод позволяет выбрать k наилучших признаков из набора данных. Импортировать нужные модули можно следующими командами:

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2

`SelectKBest` — это класс из модуля `feature_selection`, который позволяет выбрать k наилучших признаков. `chi2` является одним из возможных критериев оценки для выбора наилучших признаков. Пример использования:

 

# Импорт необходимых модулей

from sklearn.datasets import load_iris

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2



# Загрузка набора данных iris

iris = load_iris()

X, y = iris.data, iris.target



# Отбор двух наилучших признаков

selector = SelectKBest(chi2, k=2)

X_new = selector.fit_transform(X, y)



# Вывод результатов отбора признаков

print(X_new)

Результатом работы этого кода будет отобранные два наилучших признака из набора данных iris. Метод `fit_transform` применяется для выполнения отбора признаков на обучающих данных и одновременной трансформации этих данных, удаляя ненужные признаки. Также можно вывести оценки важности каждого признака с помощью атрибута `scores_`:

# Вывод оценок важности каждого признака

print(selector.scores_)

Вариант отобрать все лучшие признаки можно использую свойство либо просто задав число:

selector = SelectKBest(chi2, k='all')

X_new = selector.fit_transform(X, y)

Еще один способ использования этого метода заключается в его комбинировании с другим алгоритмом машинного обучения. Например, можно выбрать k наилучших признаков, а затем применить алгоритм KNN для классификации или линейную регрессию для задачи регрессии:

from sklearn.datasets import load_iris

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2

from sklearn.neighbors import KNeighborsClassifier



# Загрузка набора данных iris

iris = load_iris()

X, y = iris.data, iris.target



# Отбор двух наилучших признаков

selector = SelectKBest(chi2, k=2)

X_new = selector.fit_transform(X, y)



# Применение алгоритма KNN для классификации

knn = KNeighborsClassifier()

knn.fit(X_new, y)

Как видно из примера, отобранные признаки сохраняются в новой матрице `X_new` и могут быть использованы для обучения алгоритма машинного обучения.