Fonction de sélection à l'aide de scikit-learn

Je suis nouveau dans l'apprentissage de la machine. Je suis en train de préparer mes données à des fins de classification à l'aide de Scikit Learn SVM. Afin de sélectionner les meilleurs caractéristiques que j'ai utilisé la méthode suivante: 

SelectKBest(chi2, k=10).fit_transform(A1, A2)

Depuis mon dataset consistent en des valeurs négatives, j'obtiens l'erreur suivante:

ValueError                                Traceback (most recent call last)
/media/5804B87404B856AA/TFM_UC3M/test2_v.py in <module>()
----> 1 
2 
3 
4 
5 
/usr/local/lib/python2.6/dist-packages/sklearn/base.pyc in fit_transform(self, X, y,     **fit_params)
427         else:
428             # fit method of arity 2 (supervised transformation)
--> 429             return self.fit(X, y, **fit_params).transform(X)
430 
431 
/usr/local/lib/python2.6/dist-packages/sklearn/feature_selection/univariate_selection.pyc in fit(self, X, y)
300         self._check_params(X, y)
301 
--> 302         self.scores_, self.pvalues_ = self.score_func(X, y)
303         self.scores_ = np.asarray(self.scores_)
304         self.pvalues_ = np.asarray(self.pvalues_)
/usr/local/lib/python2.6/dist-  packages/sklearn/feature_selection/univariate_selection.pyc in chi2(X, y)
190     X = atleast2d_or_csr(X)
191     if np.any((X.data if issparse(X) else X) < 0):
--> 192         raise ValueError("Input X must be non-negative.")
193 
194     Y = LabelBinarizer().fit_transform(y)
ValueError: Input X must be non-negative.

Quelqu'un peut me dire comment je peux transformer mes données ?

Vous pourrait normaliser les valeurs entre 0 et 1, ou prendre des valeurs absolues, peut-être
Si vos données n'est pas non négatif, peut-être chi2 n'est pas une bonne méthode. Vous pouvez utiliser f_score. Quelle est la nature de vos données?
Merci EdChum et Andreas. Mes données consistent en de min, max, moyenne, médiane et de la FFT du signal de l'accéléromètre

OriginalL'auteur sara | 2014-09-11

  1. 10

    Le message d'erreur Input X must be non-negative dit tout: Pearson, le test de chi carré (la qualité de l'ajustement) ne s'applique pas aux valeurs négatives. C'est logique parce que le test de chi carré suppose fréquences de la distribution et de la fréquence ne peut pas être un nombre négatif. Par conséquent, sklearn.feature_selection.chi2 affirme l'entrée est non-négative.

    Vous dites que vos traits sont "min, max, moyenne, médiane et de la FFT du signal de l'accéléromètre". Dans de nombreux cas, il peut être tout à fait sûr de il suffit de passer chaque fonctionnalité pour en faire du positif, ou même de les normaliser à [0, 1] intervalle tel que suggéré par EdChum.

    Si la transformation de données est pour une raison pas possible (par exemple, une valeur négative est un facteur important de), vous devez en choisir une autre statistique pour marquer vos caractéristiques:

    Depuis le point de l'ensemble de cette procédure est de préparer les fonctionnalités pour une autre méthode, c'est pas un gros problème pour chercher quelqu'un, le résultat final généralement la même ou très proche.

    OriginalL'auteur Maxim