带你了解sklearn中特征工程的几个使用方法

2019 年 10 月 4 日
笔记

特征工程

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。根据特征使用方案，有计划地获取、处理和监控数据和特征的工作称之为特征工程,目的是最大限度地从原始数据中提取特征以供算法和模型使用。

根据特征选择的形式又可以将特征选择方法分为3种：

用sklearn中的feature_selection库来进行特征选择

Filter：

过滤法：按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。

Wrapper：

包装法：根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。

Embedded：

嵌入法：先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。

采用iris数据集，iris数据集有四个特征

['sepal length (cm)',   'sepal width (cm)',   'petal length (cm)',   'petal width (cm)']

Filter过滤法

方差选择法 VarianceThreshold

使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。

from sklearn import datasets  iris = datasets.load_iris()    from sklearn.feature_selection import VarianceThreshold  #方差选择法，返回值为特征选择后的数据  #参数threshold为方差的阈值  vardata = VarianceThreshold(threshold=3).fit_transform(iris.data)  print(vardata[:10])  输出 第三个特征  petal length

相关系数法 SelectKBest

使用相关系数法，先要计算各个特征对目标值的相关系数。用feature_selection库的SelectKBest类结合相关系数来选择特征

from sklearn.feature_selection import SelectKBest  from scipy.stats import pearsonr import numpy as np  #选择K个最好的特征，返回选择特征后的数据  #第一个参数为计算评估特征是否好的函数，该函数输入特征矩阵和目标向量，  #输出二元组（评分，P值）的数组，数组第i项为第i个特征的评分和P值。  #在此定义为计算相关系数  f = lambda X, Y:np.array(list(map(lambda x:pearsonr(x, Y)[0], X.T))).T  #参数k为选择的特征个数  SelectKBest(f,k=2).fit_transform(iris.data, iris.target)[:10]    输出  第三和第四个特征  petal length petal width

卡方检验

卡方分布

卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。

经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，构建统计量：

from sklearn.feature_selection import SelectKBest  from sklearn.feature_selection import chi2  #选择K个最好的特征，返回选择特征后的数据  SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)[:10]    输出  第三和第四个特征  petal length petal width

互信息法

经典的互信息也是评价定性自变量对定性因变量的相关性的。相关系数，卡方检验，互信息法选择特征的原理是相似的，但相关系数通常只适合于连续特征的选择。

import numpy as np from sklearn.feature_selection import SelectKBest  from sklearn import metrics  mic = metrics.mutual_info_score  g = lambda X, Y: np.array(list(map(lambda x:mic(x, Y), X.T))).T #选择K个最好的特征，返回特征选择后的数据  SelectKBest(g, k=2).fit_transform(iris.data, iris.target)[:10]    输出  第三和第四个特征  petal length petal width

Wrapper包装法

递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。

递归特征消除法(RFE:recursive feature elimination)

from sklearn.feature_selection import RFE  from sklearn.linear_model import LogisticRegression  #递归特征消除法，返回特征选择后的数据  #参数estimator为基模型  #参数n_features_ to_select为选择的特征个数  RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)[:10]  输出：    第二和第四个特征  sepal width petal width

Embedded嵌入法

基于惩罚项的特征选择法

使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。使用feature_selection库的 SelectFromModel类结合带L1惩罚项的逻辑回归模型，

from sklearn.feature_selection import SelectFromModel  from sklearn.linear_model import LogisticRegression  #带L1惩罚项的逻辑回归作为基模型的特征选择  SelectFromModel(LogisticRegression( penalty="l1", C=0.1)).fit_transform(iris.data, iris.target)[:10]    输出  第一，第二和第三个特征  sepal length ,sepal width ,petal length

基于树模型的特征选择法

树模型中GBDT也可用来作为基模型进行特征选择，使用feature_selection库的SelectFromModel类结合GBDT模型，来选择特征的代码如下：

from sklearn.feature_selection import SelectFromModel  from sklearn.ensemble import GradientBoostingClassifier  #GBDT作为基模型的特征选择  SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)[:10]    输出  第三和第四个特征  petal length petal width