不，SelectKBest工作方式不同。

它将分数函数作为参数，该函数必须适用于一对 ( , )。score 函数必须返回一个分数数组，对于 X 的每个特征X一个分数（此外，它还可以返回 p 值，但这些既不需要也不需要）。然后简单地保留中得分最高个特征。$X$$y$$X[:, i]$$X$SelectKBest$k$$X$

因此，例如，如果您chi2作为分数函数传递，SelectKBest将计算和的每个特征之间的 chi2 统计量（假设是类标签）。较小的值意味着该特征独立于。非随机相关，因此很可能提供重要信息。仅保留$X$$y$$y$$y$$k$

最后，SelectKBest实现了默认行为，因此您可以编写select = SelectKBest()然后调用select.fit_transform(X, y)（实际上我看到人们这样做）。在这种情况下SelectKBest使用f_classifscore 函数。的值解释为类标签，并为 X 的每个特征计算一个统计量。使用的公式正是这里给出的公式： 单向 ANOVA F-test，其中的不同值的数量。较大的分数表明组的均值并不完全相同。这不是很丰富，只有在满足一些相当严格的条件时才是正确的：例如，值$y$$X[:, i]$$X$$F$$K$$y$$K$$X[:, i]$必须来自正态分布的总体，且组的总体方差必须相同。我不明白为什么这在实践中应该成立，如果没有这个假设，值是没有意义的。因此，不小心使用可能会因为错误的原因而丢掉许多功能。$K$$F$SelectKBest()