استخدام الصف GenericUnivariateSelect لتطبيق مفهوم ال Feature Selection

يقوم هذا الصف باختيار أهم ال Features في بياناتك التي تؤثر بقيم ال target اعتماداً على خوارزميتين f_classif أو chi2.
يتم استدعاؤه كالتالي:

sklearn.feature_selection.GenericUnivariateSelect 

ويجب أن نقوم أيضاً باستدعاء خوارزميتي f_classif أو chi2:

sklearn.feature_selection.chi2 , f_classif

الصيغة المبسطة للكلاس:
GenericUnivariateSelect(score_func= f_classif, mode= 'k_best', param=n)
score_func: تمثل الخوارزمية التي نريد تطبيقها f_classif أو chi2.
param: تمثل عدد ال features التي نريد أن نحتفظ بها من ال features الكلية الموجودة في بياناتنا، ويأخذ عدد صحيح يمثل العدد المطلوب، فلو وضعنا 40 فهذا يعني أنه سيتم الاحتفاظ ب 40 فيتشرز (الأكثر أهمية من وجهة نظر الخوارزمية) ويتم استبعاد الباقي.
mode: يحدد نمط الاختيار ويكون :{‘k_best’, ‘fpr’, ‘fdr’, ‘fwe’}, default="percentile
بحيث k_best يختار أفضل k فيتشر (الفيتشرز التي أعطت أعلى k  دقة (score))،  أما الباقي فيعتمد على تفاصيل إحصائية في اختيار ال n فيتشرز هي ال false positive rate و false discovery rate و family wise error. 
ولعرض النتيجة التي حققتها كل feature نستخدم الواصفة scores_.
ونستخدم التابع get_support لعرض الفيتشرز التي تم الاحتفاظ بها والتي تم استبعاها.
مثال:

from sklearn.datasets import load_breast_cancer
from sklearn.feature_selection import GenericUnivariateSelect
from sklearn.feature_selection import chi2 , f_classif 
data, target = load_breast_cancer(return_X_y=True)
data.shape
#(569, 30)
fs = GenericUnivariateSelect(chi2, mode='k_best', param=15)
data = fs.fit_transform(data,target)
data.shape
#(569, 15)
#لكل ميزة score عرض ال 
#fs.scores_