Python FSA 特征选择：使用 scikit-learn 实现 SelectKBest

Python 库 scikit-learn 中的 feature_selection 模块提供了 FSA 特征选择算法的实现。

具体来说，可以使用 feature_selection.SelectKBest 类来选择 k 个最佳特征，其中 k 可以通过设置参数 k 来指定。默认情况下，该类使用 ANOVA 方差分析来评估每个特征的重要性。

以下是使用 SelectKBest 进行特征选择的示例代码：

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

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 选择最佳的两个特征
selector = SelectKBest(f_classif, k=2)
X_new = selector.fit_transform(X, y)

# 打印选择的特征
print(selector.get_support())
print(X_new.shape)

在上面的代码中，我们首先加载了鸢尾花数据集。然后，我们使用 SelectKBest 类和 f_classif 函数来选择最佳的两个特征。最后，我们打印了选择的特征和新的数据集的形状。

除了 ANOVA 方差分析，SelectKBest 还支持其他评估函数，例如卡方检验、互信息等。可以使用不同的评估函数来选择最佳的特征。