oWjHSrSSKrSSKrSSKJrJr SSKJ r "SS5r g)uN Feature selection pipeline: correlation analysis и Top-K feature selection. N) SelectKBestmutual_info_classif)loggerc4\rSrSrSrSS\4SjjrS\RS\ R4Sjr S\RS\R4S jr S\RS\ RS\R4S jr S\R4S jrS\\4S jrS\4S jrSrg)FeatureSelector u Пайплайн для отбора лучших фичей с использованием Mutual Information. Args: k: Количество фичей для сохранения Attributes: k: Количество фичей selector: sklearn SelectKBest объект selected_features: Список отобранных фичей Example: >>> selector = FeatureSelector(k=30) >>> X_clean = selector.fit_transform(X, y) >>> print(selector.selected_features) kc:XlSUlSUlSUlg)u Инициализация FeatureSelector. Args: k: Количество фичей для отбора (по умолчанию 30) N)r selectorselected_featuresscores)selfr s 8/home/ai/projects/AI_Strategy/utils/feature_selection.py__init__FeatureSelector.__init__s !% Xyc[R"S[URURS5S35 [ UR5S:a [R"S5 USS2S4nOUn[ [[URURS5S9UlURRX5 [R"URRURS9RS S 9UlURR!UR5R"R%5Ul[R"S [ UR&5S 35 UR[ UR5:a:[R"S [ UR5UR- S35 U$)u Обучает селектор на данных. Args: X: Feature matrix (n_samples, n_features) y: Target vector (n_samples,) or (n_samples, n_targets) z.Running SelectKBest (mutual_info) to keep top z features...z5Using 'Long' target for feature importance evaluationNr) score_funcr )indexF) ascendingzTop z features selected.zRemoved z low-importance features.)rinfominr shapelenrrr fitpdSeriesscores_columns sort_valuesr headrtolistr )rrry_1ds rrFeatureSelector.fit)s`  DFF#:";;TU V rreturncNURc [S5eXR$)u Применяет отбор фичей к новым данным. Args: X: Feature matrix (n_samples, n_features) Returns: pd.DataFrame: Feature matrix с отобранными фичами (n_samples, k) z-Selector is not fitted yet. Call fit() first.)r RuntimeError)rrs r transformFeatureSelector.transformNs1  ! ! )? ''((rcFURX5 URU5$)u Обучает и применяет отбор фичей. Args: X: Feature matrix (n_samples, n_features) y: Target vector (n_samples,) or (n_samples, n_targets) Returns: pd.DataFrame: Feature matrix с отобранными фичами )rr+)rrrs r fit_transformFeatureSelector.fit_transform^s ~~a  rcJURc [S5eUR$)u Возвращает скоры важности для всех фичей. Returns: pd.Series: Скоры важности по убыванию z Fit first to get feature scores.)r r*rs rget_feature_scores"FeatureSelector.get_feature_scoresls$ ;; AB B{{rcUR$)uz Возвращает имена отобранных фичей. Returns: list[str]: Имена топ-K фичей r r1s rget_selected_feature_names*FeatureSelector.get_selected_feature_namesws%%%rcURSL$)uBВозвращает True, если селектор обучен.Nr5r1s r is_fittedFeatureSelector.is_fitteds%%T11r)r r r r N))__name__ __module__ __qualname____firstlineno____doc__intrr DataFramenpndarrayrr+r.r r2liststrr6boolr9__static_attributes__rrrr s" # #R\\#bjj#J)2<<)BLL) !r|| ! !r|| ! BII &DI&242rr) r@pandasrnumpyrCsklearn.feature_selectionrr utils.loggerrrrIrrrNs$Fw2w2r