bcselector 0.0.39

这是什么？在

特征选择是许多机器学习任务中的关键问题。通常考虑 变量的收集和存储成本很低，但在某些情况下，特征值的获取 可能会有问题。例如，在预测疾病的发生时，我们可以考虑 一些诊断测试的结果可能非常昂贵。 现有的特征选择方法通常忽略与所考虑的特征相关的代价 特征。成本敏感特征选择的目标是选择允许 在假设范围内成功预测目标变量（如疾病发生率） 预算。在

该软件包的主要目的是提供基于特征选择的过滤方法 在信息论的基础上，提出考虑特征成本的这些方法的新变体。在

安装

bcselector可以从[PyPI]（https://pypi.org/project/bcselector）安装：

pip install bcselector

快速启动

首先，我们必须有一个具有分类目标变量的数据集，并为每个特性指定一个成本。 好的示例数据可以是来自UCI存储库[1]的hepatitis。在

假设我们已经将数据集加载到Python中，我们需要创建选择器类，并使用适当的参数调用fit方法：

通过调用getter功能，我们现在可以获得简单的选择结果：

fvs.get_cost_results()

或者，我们可以用任何sklearn模型和分类指标来评分和绘制结果：

fvs.score(model=model,scoring_function=roc_auc_score)fvs.plot_scores(compare_no_cost_method=True,model=model,annotate=True)

从而得出BC图：

在OX axis上，我们已经累积了成本，并且在OY轴上，我们可以看到当前所选功能集的测试集分数：

• Blue line是成本敏感的方法选择功能顺序。在
• Red line是无成本方法选择的功能顺序。在
• Blue vertical line是可用的最大预算（用户参数）

曲线上方或下方的小数字是选定要素的索引。因此，我们可以看到，成本敏感方法选择的第一个变量位于数据集X的第14列。在

书目

• [1] Dua，D.和Graff，C.（2019年）。UCI机器学习库[http://archive.ics.uci.edu/ml]。加州欧文：加州大学信息与计算机科学学院。在

引用

待定