8 机器学习中的特征选择

8.1 特征选择

特征选择是机器学习实践中的一步， 帮你在所有特征中选择对结果贡献最多的特征。 显然， 使用不相关数据会减少模型的精确性， 尤其是线性算法：线性回归， 逻辑回归。为什么，因为线性算法一般使用梯度下降来寻找最优值， 那么如果特征无关， 方向就有可能误导。- 我的理解。

以下是三个好处：

• 减少过拟合。 这个话题其实比较大。 要理解什么是过拟合， 就是模型过于贴近训练集， 导致了泛化能力很差。 吴恩达课上有一个图可以说明过拟合和欠拟合的区分， 这部分可能后续继续详细阐述。
• 提高精确性。 更少的无效数据意味着模型精确性的提升。
• 减少训练时间。 数据少了自然运算时间短了。

8.2 单变量选择

scikit-learn提供了SelectKBest类可以用来根据一些统计的测试来选择出一些数量的最有效的特征。 以下例子就是用了chi-square test 卡方检验来进行非相关性分析，选出了4种最相关的特征。

首先， 这个是为了分类变量。输入是这个特征和分类结果。 原理略， 卡方值越大，越不符合；卡方值越小，偏差越小，越趋于符合，若两个值完全相等时，卡方值就为0，表明理论值完全符合。

对于分类的检验算法， 有 : chi2, f_classif, mutual_info_classif 对于回归呢， 有： f_regression, mutual_info_regression

# Feature Extraction with Univariate Statistical Tests (Chi-squared for classification) from pandas import read_csv from numpy import set_printoptions from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 # load data filename = 'pima-indians-diabetes.data.csv' names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(filename, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] # feature extraction test = SelectKBest(score_func=chi2, k=4) fit = test.fit(X, Y) # summarize scores set_printoptions(precision=3) print(fit.scores_) features = fit.transform(X) # summarize selected features print(features[0:5,:]) 

[  111.52   1411.887    17.605    53.108  2175.565   127.669     5.393    181.304] [[ 148.     0.    33.6   50. ]  [  85.     0.    26.6   31. ]  [ 183.     0.    23.3   32. ]  [  89.    94.    28.1   21. ]  [ 137.   168.    43.1   33. ]] 

8.3 递归特征消除法 RFE

递归特征消除呢就是说每次把对结果最没有用的这个特征去掉。 然后如此继续。 最终得到自己想留下的特征数量。 这里有一个问题， 采取何种算法， 如何的标准来判断这个重要性？ 为什么用逻辑回归， 也有SVC 支持向量回归？ 这样做的好处是什么呢， 就是为了消除一下， 那么消除好还是不消除好呢。

递归特征消除的主要思想是反复的构建模型（如SVM或者回归模型）然后选出最好的（或者最差的）的特征（可以根据系数来选），把选出来的特征放到一遍，然后在剩余的特征上重复这个过程，直到所有特征都遍历了。这个过程中特征被消除的次序就是特征的排序。因此，这是一种寻找最优特征子集的贪心算法。

RFE的稳定性很大程度上取决于在迭代的时候底层用哪种模型。例如，假如RFE采用的普通的回归，没有经过正则化的回归是不稳定的，那么RFE就是不稳定的；假如采用的是Ridge，而用Ridge正则化的回归是稳定的，那么RFE就是稳定的。

# Feature Extraction with RFE from pandas import read_csv from sklearn.feature_selection import RFE from sklearn.linear_model import LogisticRegression # load data filename = 'pima-indians-diabetes.data.csv' names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(filename, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] # feature extraction model = LogisticRegression() rfe = RFE(model, 3) fit = rfe.fit(X, Y) print("Num Features: %d") % fit.n_features_ print("Selected Features: %s") % fit.support_ print("Feature Ranking: %s") % fit.ranking_ 

Num Features: 3 Selected Features: [ True False False False False  True  True False] Feature Ranking: [1 2 3 5 6 1 1 4] 

8.4 PCA 主成因分析

这个方法在机器学习实战中介绍过， 主要用来降维。 经过PCA， 以前的8个特征会转化成另外的8个特征， 而每种特征之间是正交关系， 这就意味着他们提供的信息是不相关的， 也就是没有相关性， 可以理解成都是干货。 :)

其实通过实践你可以发现， 后续的一些特征值都是0了， 其实没有那么多维度的信息。 所以后面那些自然可以省略了。

# Feature Extraction with PCA from pandas import read_csv from sklearn.decomposition import PCA # load data filename = 'pima-indians-diabetes.data.csv' names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(filename, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] # feature extraction pca = PCA(n_components=3) fit = pca.fit(X) # summarize components print("Explained Variance: %s") % fit.explained_variance_ratio_ print(fit.components_) 

Explained Variance: [ 0.889  0.062  0.026] [[ -2.022e-03   9.781e-02   1.609e-02   6.076e-02   9.931e-01   1.401e-02     5.372e-04  -3.565e-03]  [ -2.265e-02  -9.722e-01  -1.419e-01   5.786e-02   9.463e-02  -4.697e-02    -8.168e-04  -1.402e-01]  [ -2.246e-02   1.434e-01  -9.225e-01  -3.070e-01   2.098e-02  -1.324e-01    -6.400e-04  -1.255e-01]] 

8.5 特征重要性分析

对于特征重要性的评判， bagging 相关的算法可以帮忙计算。 字面翻译就是打包的一些算法， 比如随机森林， 这个是用大量的一阶的树桩， 然后根据投票选举的方式得到预测的结果。 比如Extra Trees。

在tree bagging基础上，每一个model训练的时候对所选取的data split随机选取一部分特征子集（random subset of the features）来训练。这样做的目的也是为了让学到的tree不要太相似。 进一步扩展RF算法，是一种叫extremely randomized trees,（ExtraTrees）的算法：在RF采取bagging和random subspace的基础上，进一步在每一棵树train决策树的时候，选取的split value采用随机生成. 这些算法可以帮助我们来判断特征的重要性。

那么问题来了， 他是如何来帮助我们得到特征的重要性呢。 首先它肯定可以做分类。 然后呢， 根据哪些参数可以决定结果的权重可以得到点信息， 这个还是不很理解， 需要看它的实现才行， 放到TODO 吧。

顺便说一下， 随机森林还能帮我们做缺失值的补值， 当然这个缺失值话题还是很大的， 有平均值， 补零，随机森林等等。

# Feature Importance with Extra Trees Classifier from pandas import read_csv from sklearn.ensemble import ExtraTreesClassifier # load data filename = 'pima-indians-diabetes.data.csv' names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class'] dataframe = read_csv(filename, names=names) array = dataframe.values X = array[:,0:8] Y = array[:,8] # feature extraction model = ExtraTreesClassifier() model.fit(X, Y) print(model.feature_importances_) 

[ 0.102  0.247  0.104  0.083  0.074  0.128  0.126  0.135] 

8.6 小结

其实这些很多是相通的， 都是特征选择的一些方式， 那么具体问题具体分析。 PCA可能略有不同。 但是这几种办法还是很有帮助的。

参考 1 http://scikit-learn.org/stable/modules/feature_selection.html 2 卡方检验 https://baike.baidu.com/item/%E5%8D%A1%E6%96%B9%E6%A3%80%E9%AA%8C/2591853?fr=aladdin&fromid=8048908&fromtitle=chi-square+test 3 http://m.blog.csdn.net/liujianfei526/article/details/51761616 4 http://blog.csdn.net/xbinworld/article/details/50450650