Docs
...
featureselectionnode properties

propiedades de featureselectionnode

Última actualización: 11 feb 2025
propiedades de featureselectionnode

Icono de nodo Selección de característicaEl nodo Selección de características filtra los campos de entrada para su eliminación en función de un conjunto de criterios (como el porcentaje de valores perdidos); a continuación, clasifica el grado de importancia del resto de entradas de acuerdo con un objetivo específico. Por ejemplo, a partir de un conjunto de datos dado con cientos de entradas potenciales, ¿cuáles tienen mayor probabilidad de ser útiles para el modelado de resultados de pacientes?

Ejemplo

node = stream.create("featureselection", "My node")
node.setPropertyValue("screen_single_category", True)
node.setPropertyValue("max_single_category", 95)
node.setPropertyValue("screen_missing_values", True)
node.setPropertyValue("max_missing_values", 80)
node.setPropertyValue("criteria", "Likelihood")
node.setPropertyValue("unimportant_below", 0.8)
node.setPropertyValue("important_above", 0.9)
node.setPropertyValue("important_label", "Check Me Out!")
node.setPropertyValue("selection_mode", "TopN")
node.setPropertyValue("top_n", 15)
Tabla 1. Propiedades de featureselectionnode
Propiedades de featureselectionnode Valores Descripción de la propiedad
target campo Los modelos de selección de características ordenan predictores por rangos con respecto a su objetivo específico. Los campos de ponderación y frecuencia no se usan. Consulte Propiedades comunes del nodo de modelado para obtener más información.
screen_single_category distintivo Si True, filtra los campos que tienen demasiados registros en la misma categoría en relación con el número total de registros.
max_single_category número Especifica el umbral utilizado cuando screen_single_category es True.
screen_missing_values distintivo Si True, muestra los campos con demasiados valores perdidos, expresado como un porcentaje del número total de registros.
max_missing_values número  
screen_num_categories distintivo Si True, filtra los campos con demasiadas categorías en relación al número total de registros.
max_num_categories número  
screen_std_dev distintivo Si True, muestra los campos con una desviación estándar menor o igual que el mínimo especificado.
min_std_dev número  
screen_coeff_of_var distintivo Si True, muestra los campos con un coeficiente de varianza menor o igual al mínimo especificado.
min_coeff_of_var número  
criteria Pearson Likelihood CramersV Lambda Al clasificar los predictores categóricos en función de un objetivo categórico, especifica la medida en la que se basa el valor de importancia.
unimportant_below número Especifica los valores p de umbral utilizados para clasificar las variables como importantes, marginales o sin importancia. Acepta valores de 0,0 a 1,0.
important_above número Acepta valores de 0,0 a 1,0.
unimportant_label serie Especifica la etiqueta para la clasificación como 'Sin importancia'.
marginal_label serie  
important_label serie  
selection_mode ImportanceLevel ImportanceValue TopN  
select_important distintivo Cuando selection_mode se establece en ImportanceLevel, especifica si se deben seleccionar campos importantes.
select_marginal distintivo Cuando selection_mode se establece en ImportanceLevel, especifica si se deben seleccionar campos marginales.
select_unimportant distintivo Cuando selection_mode se establece en ImportanceLevel, especifica si se deben seleccionar campos sin importancia.
importance_value número Cuando selection_mode se establece en ImportanceValue, especifica el valor de corte que se debe utilizar. Acepta valores de 0 a 100.
top_n entero Cuando selection_mode se establece en TopN, especifica el valor de corte que se debe utilizar. Acepta valores de 0 a 1000.