【資料平臺】sklearn庫特徵工程之特徵選擇和降維
阿新 • • 發佈:2019-01-11
1、特徵選擇
當資料預處理完成後,我們需要選擇有意義的特徵輸入機器學習的演算法和模型進行訓練。通常來說,從兩個方面考慮來選擇特徵:
- 特徵是否發散:如果一個特徵不發散,例如方差接近於0,也就是說樣本在這個特徵上基本上沒有差異,這個特徵對於樣本的區分並沒有什麼用。
- 特徵與目標的相關性:這點比較顯見,與目標相關性高的特徵,應當優選選擇。除方差法外,本文介紹的其他方法均從相關性考慮。
根據特徵選擇的形式又可以將特徵選擇方法分為3種:
- Filter:過濾法,按照發散性或者相關性對各個特徵進行評分,設定閾值或者待選擇閾值的個數,選擇特徵。
- Wrapper:包裝法,根據目標函式(通常是預測效果評分),每次選擇若干特徵,或者排除若干特徵。
- Embedded:嵌入法,先使用某些機器學習的演算法和模型進行訓練,得到各個特徵的權值係數,根據係數從大到小選擇特徵。類似於Filter方法,但是是通過訓練來確定特徵的優劣。
我們使用sklearn中的feature_selection庫來進行特徵選擇。
#特徵選擇 #1:Filter過濾法:按照發散性或者相關性對各個特徵進行評分,設定閾值或者待選擇閾值的個數,選擇特徵。 #1.1:方差選擇法,先要計算各個特徵的方差,然後根據閾值,選擇方差大於閾值的特徵。 VarianceThreshold(threshold=3).fit_transform(iris.data) #1.2:相關係數法,先要計算各個特徵對目標值的相關係數以及相關係數的P值。 #選擇K個最好的特徵,返回選擇特徵後的資料 #第一個引數為計算評估特徵是否好的函式,該函式輸入特徵矩陣和目標向量,輸出二元組(評分,P值)的陣列,陣列第i項為第i個特徵的評分和P值。在此定義為計算相關係數 #引數k為選擇的特徵個數 #SelectKBest(lambda X, Y: array(map(lambda x:pearsonr(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target) #1.3:卡方檢驗是檢驗定性自變數對定性因變數的相關性。 #選擇K個最好的特徵,返回選擇特徵後的資料 SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target) #1。4;互資訊法,評價定性自變數對定性因變數的相關性 #由於MINE的設計不是函式式的,定義mic方法將其為函式式的,返回一個二元組,二元組的第2項設定成固定的P值0.5 ''' ''' def mic(x, y): m = MINE() m.compute_score(x, y) return (m.mic(), 0.5) #選擇K個最好的特徵,返回特徵選擇後的資料 SelectKBest(lambda X, Y: array(map(lambda x:mic(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target) ''' ''' #2:Wrapper:包裝法,根據目標函式(通常是預測效果評分),每次選擇若干特徵,或者排除若干特徵。 #2.1:遞迴消除特徵法使用一個基模型來進行多輪訓練,每輪訓練後,消除若干權值係數的特徵,再基於新的特徵集進行下一輪訓練。 #遞迴特徵消除法,返回特徵選擇後的資料 #引數estimator為基模型 #引數n_features_to_select為選擇的特徵個數 RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target) #3:Embedded:嵌入法,先使用某些機器學習的演算法和模型進行訓練,得到各個特徵的權值係數,根據係數從大到小選擇特徵。類似於Filter方法,但是是通過訓練來確定特徵的優劣。 #3.1:基於懲罰項的特徵選擇法,使用帶懲罰項的基模型,除了篩選出特徵外,同時也進行了降維。 #帶L1懲罰項的邏輯迴歸作為基模型的特徵選擇 SelectFromModel(LogisticRegression(penalty="l1", C=0.1)).fit_transform(iris.data, iris.target) #3.2:基於樹模型的特徵選擇法,樹模型中GBDT也可用來作為基模型進行特徵選擇 #GBDT作為基模型的特徵選擇 SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)
2、降維
當特徵選擇完成後,可以直接訓練模型了,但是可能由於特徵矩陣過大,導致計算量大,訓練時間長的問題,因此降低特徵矩陣維度也是必不可少的。常見的降維方法除了以上提到的基於L1懲罰項的模型以外,另外還有主成分分析法(PCA)和線性判別分析(LDA),線性判別分析本身也是一個分類模型。PCA和LDA有很多的相似點,其本質是要將原始的樣本對映到維度更低的樣本空間中,但是PCA和LDA的對映目標不一樣:PCA是為了讓對映後的樣本具有最大的發散性;而LDA是為了讓對映後的樣本有最好的分類效能。所以說PCA是一種無監督的降維方法,而LDA是一種有監督的降維方法。
#降維,PCA和LDA有很多的相似點,其本質是要將原始的樣本對映到維度更低的樣本空間中,但是PCA和LDA的對映目標不一樣:PCA是為了讓對映後的樣本具有最大的發散性;而LDA是為了讓對映後的樣本有最好的分類效能。所以說PCA是一種無監督的降維方法,而LDA是一種有監督的降維方法。 #1:主成分分析法(PCA) #主成分分析法,返回降維後的資料 #引數n_components為主成分數目 PCA(n_components=2).fit_transform(iris.data) #2:線性判別分析法(LDA) #線性判別分析法,返回降維後的資料 #引數n_components為降維後的維數 LDA(n_components=2).fit_transform(iris.data, iris.target)
參考:http://www.cnblogs.com/jasonfreak/p/5448385.html