官方網站：sklearn.feature_selection.f_regression
sklearn.feature_selection.f_regression（X，y，center = True ）
數學原理
單變量線性迴歸測試。
用於測試許多回歸變量各自的效果的線性模型。這是要在特徵選擇過程中使用的評分功能，而不是獨立式特徵選擇過程。
分兩個步驟完成：
-
計算每個迴歸變量與目標之間的相關性，即（（（X [:, i]-mean（X [:, i]））（y-mean_y））/（std（X [:, i] ） std（y））。
-
將其轉換爲F分數，然後轉換爲p值。
參數說明
Parameters
----------
X：{array-like, sparse matrix} shape = (n_samples, n_features)
將按順序測試的一組迴歸函數。
The set of regressors that will be tested sequentially.
y：array of shape(n_samples).
數據矩陣
The data matrix
center：True, bool,
如果爲true，則X和y將居中。
If true, X and y will be centered.
Returns
-------
F：array, shape=(n_features,)
特徵的F值。
F values of features.
pval：array, shape=(n_features,)
F得分的p值。
p-values of F-scores.
示例
數據
- 樣本數：1000
- 特徵數：3（3維數據）
- 重要特徵：1
from sklearn.datasets import make_regression
X,y = make_regression(n_samples=1000, n_features=3, n_informative=1, noise=100, random_state=9527)
使用 f_regression 計算特徵的相關性
from sklearn import feature_selection as FS
fv, pv = FS.f_regression(X, y)
特徵的 F-value
print(fv)
>>>[1.67054044e-01 8.04573104e+02 1.55086141e+00]
F-value 的 p-value
print(pv)
>>>[6.82831040e-001 2.83453762e-130 2.13300627e-001]