作者 | Pier Paolo Ippolito

翻譯 | Skura

編輯 | 唐里

原文標(biāo)題：Feature Selection Techniques

據(jù)《福布斯》報道，每天大約會有 250 萬字節(jié)的數(shù)據(jù)被產(chǎn)生。然后，可以使用數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)技術(shù)對這些數(shù)據(jù)進(jìn)行分析，以便提供分析和作出預(yù)測。盡管在大多數(shù)情況下，在開始任何統(tǒng)計(jì)分析之前，需要先對最初收集的數(shù)據(jù)進(jìn)行預(yù)處理。有許多不同的原因?qū)е滦枰M(jìn)行預(yù)處理分析，例如：收集的數(shù)據(jù)格式不對(如 SQL 數(shù)據(jù)庫、JSON、CSV 等)

缺失值和異常值

標(biāo)準(zhǔn)化

減少數(shù)據(jù)集中存在的固有噪聲(部分存儲數(shù)據(jù)可能已損壞)

數(shù)據(jù)集中的某些功能可能無法收集任何信息以供分析

在本文中，我將介紹如何使用 python 減少 kaggle Mushroom Classification 數(shù)據(jù)集中的特性數(shù)量。本文中使用的所有代碼在?kaggle 和我的?github 帳號上都有。減少統(tǒng)計(jì)分析期間要使用的特征的數(shù)量可能會帶來一些好處，例如：提高精度

降低過擬合風(fēng)險

加快訓(xùn)練速度

改進(jìn)數(shù)據(jù)可視化

增加我們模型的可解釋性

事實(shí)上，統(tǒng)計(jì)上證明，當(dāng)執(zhí)行機(jī)器學(xué)習(xí)任務(wù)時，存在針對每個特定任務(wù)應(yīng)該使用的最佳數(shù)量的特征(圖 1)。如果添加的特征比必要的特征多，那么我們的模型性能將下降(因?yàn)樘砑恿嗽肼?。真正的挑戰(zhàn)是找出哪些特征是最佳的使用特征(這實(shí)際上取決于我們提供的數(shù)據(jù)量和我們正在努力實(shí)現(xiàn)的任務(wù)的復(fù)雜性)。這就是特征選擇技術(shù)能夠幫到我們的地方！圖 1：分類器性能和維度之間的關(guān)系

1、特征選擇

有許多不同的方法可用于特征選擇。其中最重要的是：

1)過濾方法=過濾我們的數(shù)據(jù)集，只取包含所有相關(guān)特征的子集(例如，使用 Pearson 相關(guān)的相關(guān)矩陣)。

2)遵循過濾方法的相同目標(biāo)，但使用機(jī)器學(xué)習(xí)模型作為其評估標(biāo)準(zhǔn)(例如，向前/向后/雙向/遞歸特征消除)。我們將一些特征輸入機(jī)器學(xué)習(xí)模型，評估它們的性能，然后決定是否添加或刪除特征以提高精度。因此，這種方法可以比濾波更精確，但計(jì)算成本更高。

3)嵌入方法。與過濾方法一樣，嵌入方法也使用機(jī)器學(xué)習(xí)模型。這兩種方法的區(qū)別在于，嵌入的方法檢查 ML 模型的不同訓(xùn)練迭代，然后根據(jù)每個特征對 ML 模型訓(xùn)練的貢獻(xiàn)程度對每個特征的重要性進(jìn)行排序。圖 2：過濾器、包裝器和嵌入式方法表示 [3]

2、實(shí)踐

在本文中，我將使用 Mushroom Classification 數(shù)據(jù)集，通過查看給定的特征來嘗試預(yù)測蘑菇是否有毒。在這樣做的同時，我們將嘗試不同的特征消除技術(shù)，看看它們會如何影響訓(xùn)練時間和模型整體的精度。

首先，我們需要導(dǎo)入所有必需的庫。

我們將在本例中使用的數(shù)據(jù)集如下圖所示。圖 3：Mushroom Classification 數(shù)據(jù)集

在將這些數(shù)據(jù)輸入機(jī)器學(xué)習(xí)模型之前，我決定對所有分類變量進(jìn)行 one hot 編碼，將數(shù)據(jù)分為特征(x)和標(biāo)簽(y)，最后在訓(xùn)練集和測試集中進(jìn)行。

X = df.drop(['class'], axis = 1)Y = df['class']X = pd.get_dummies(X, prefix_sep='_')Y = LabelEncoder().fit_transform(Y)

X2 = StandardScaler().fit_transform(X)

X_Train, X_Test, Y_Train, Y_Test = train_test_split(X2, Y, test_size = 0.30, random_state = 101)

3、特征重要性

基于集合的決策樹模型(如隨機(jī)森林)可以用來對不同特征的重要性進(jìn)行排序。了解我們的模型最重要的特征對于理解我們的模型如何做出預(yù)測(使其更易于解釋)是至關(guān)重要的。同時，我們可以去掉那些對我們的模型沒有任何好處的特征。

start = time.process_time()

trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train,Y_Train)

print(time.process_time() - start)

predictionforest = trainedforest.predict(X_Test)

print(confusion_matrix(Y_Test,predictionforest))

print(classification_report(Y_Test,predictionforest))

如下圖所示，使用所有特征訓(xùn)練一個隨機(jī)森林分類器，在大約 2.2 秒的訓(xùn)練時間內(nèi)獲得 100% 的準(zhǔn)確率。在下面的每個示例中，每個模型的訓(xùn)練時間都將打印在每個片段的第一行，供你參考。

一旦我們的隨機(jī)森林分類器得到訓(xùn)練，我們就可以創(chuàng)建一個特征重要性圖，看看哪些特征對我們的模型預(yù)測來說是最重要的(圖 4)。在本例中，下面只顯示了前 7 個特性。

figure(num=None, figsize=(20, 22), dpi=80, facecolor='w', edgecolor='k')

feat_importances = pd.Series(trainedforest.feature_importances_, index= X.columns)

feat_importances.nlargest(7).plot(kind='barh')圖 4：特征重要性圖

現(xiàn)在我們知道了哪些特征被我們的隨機(jī)森林認(rèn)為是最重要的，我們可以嘗試使用前 3 個來訓(xùn)練我們的模型。

X_Reduced = X[['odor_n','odor_f', 'gill-size_n','gill-size_b']]

X_Reduced = StandardScaler().fit_transform(X_Reduced)

X_Train2, X_Test2, Y_Train2, Y_Test2 = train_test_split(X_Reduced, Y, test_size = 0.30, random_state = 101)

start = time.process_time()

trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train2,Y_Train2)

print(time.process_time() - start)

predictionforest = trainedforest.predict(X_Test2)

print(confusion_matrix(Y_Test2,predictionforest))

print(classification_report(Y_Test2,predictionforest))

正如我們在下面看到的，僅僅使用 3 個特征，只會導(dǎo)致準(zhǔn)確率下降 0.03%，訓(xùn)練時間減少一半。

我們還可以通過可視化一個訓(xùn)練過的決策樹來理解如何進(jìn)行特征選擇。

start = time.process_time()

trainedtree = tree.DecisionTreeClassifier().fit(X_Train, Y_Train)

print(time.process_time() - start)

predictionstree = trainedtree.predict(X_Test)

print(confusion_matrix(Y_Test,predictionstree))

print(classification_report(Y_Test,predictionstree))

樹結(jié)構(gòu)頂部的特征是我們的模型為了執(zhí)行分類而保留的最重要的特征。因此，只選擇頂部的前幾個特征，而放棄其他特征，可能創(chuàng)建一個準(zhǔn)確度非常可觀的模型。

import graphvizfrom sklearn.tree

import DecisionTreeClassifier, export_graphviz

data = export_graphviz(trainedtree,out_file=None,feature_names= X.columns, class_names=['edible', 'poisonous'], filled=True, rounded=True, max_depth=2, special_characters=True)

graph = graphviz.Source(data)

graph圖 5：決策樹可視化

4、遞歸特征消除(RFE)

遞歸特征消除(RFE)將機(jī)器學(xué)習(xí)模型的實(shí)例和要使用的最終期望特征數(shù)作為輸入。然后，它遞歸地減少要使用的特征的數(shù)量，采用的方法是使用機(jī)器學(xué)習(xí)模型精度作為度量對它們進(jìn)行排序。

創(chuàng)建一個 for 循環(huán)，其中輸入特征的數(shù)量是我們的變量，這樣就可以通過跟蹤在每個循環(huán)迭代中注冊的精度，找出我們的模型所需的最佳特征數(shù)量。使用 RFE 支持方法，我們可以找出被評估為最重要的特征的名稱(rfe.support 返回一個布爾列表，其中 true 表示一個特征被視為重要，false 表示一個特征不重要)。

from sklearn.feature_selection import RFE

model = RandomForestClassifier(n_estimators=700)

rfe = RFE(model, 4)

start = time.process_time()

RFE_X_Train = rfe.fit_transform(X_Train,Y_Train)

RFE_X_Test = rfe.transform(X_Test)

rfe = rfe.fit(RFE_X_Train,Y_Train)

print(time.process_time() - start)

print("Overall Accuracy using RFE: ", rfe.score(RFE_X_Test,Y_Test))

5、SelecFromModel

selectfrommodel 是另一種 scikit 學(xué)習(xí)方法，可用于特征選擇。此方法可用于具有 coef 或 feature 重要性屬性的所有不同類型的 scikit 學(xué)習(xí)模型(擬合后)。與 rfe 相比，selectfrommodel 是一個不太可靠的解決方案。實(shí)際上，selectfrommodel 只是根據(jù)計(jì)算出的閾值(不涉及優(yōu)化迭代過程)刪除不太重要的特性。

為了測試 selectfrommodel 的有效性，我決定在這個例子中使用一個 ExtraTreesClassifier。

ExtratreesClassifier(極端隨機(jī)樹)是基于樹的集成分類器，與隨機(jī)森林方法相比，它可以產(chǎn)生更少的方差(因此減少了過擬合的風(fēng)險)。隨機(jī)森林和極隨機(jī)樹的主要區(qū)別在于極隨機(jī)樹中節(jié)點(diǎn)的采樣不需要替換。

from sklearn.ensemble import ExtraTreesClassifier

from sklearn.feature_selection import SelectFromModel

model = ExtraTreesClassifier()

start = time.process_time()

model = model.fit(X_Train,Y_Train)

model = SelectFromModel(model, prefit=True)

print(time.process_time() - start)

Selected_X = model.transform(X_Train)

start = time.process_time()

trainedforest = RandomForestClassifier(n_estimators=700).fit(Selected_X, Y_Train)

print(time.process_time() - start)

Selected_X_Test = model.transform(X_Test)

predictionforest = trainedforest.predict(Selected_X_Test)

print(confusion_matrix(Y_Test,predictionforest))

print(classification_report(Y_Test,predictionforest))

6、相關(guān)矩陣分析

為了減少數(shù)據(jù)集中的特征數(shù)量，另一種可能的方法是檢查特征與標(biāo)簽的相關(guān)性。使用皮爾遜相關(guān)，我們的返回系數(shù)值將在-1 和 1 之間變化：如果兩個特征之間的相關(guān)性為 0，則意味著更改這兩個特征中的任何一個都不會影響另一個。

如果兩個特征之間的相關(guān)性大于 0，這意味著增加一個特征中的值也會增加另一個特征中的值(相關(guān)系數(shù)越接近 1，兩個不同特征之間的這種聯(lián)系就越強(qiáng))。

如果兩個特征之間的相關(guān)性小于 0，這意味著增加一個特征中的值將使減少另一個特征中的值(相關(guān)性系數(shù)越接近-1，兩個不同特征之間的這種關(guān)系將越強(qiáng))。

在這種情況下，我們將只考慮與輸出變量至少 0.5 相關(guān)的特性。

Numeric_df = pd.DataFrame(X)

Numeric_df['Y'] = Y

corr= Numeric_df.corr()

corr_y = abs(corr["Y"])

highest_corr = corr_y[corr_y >0.5]

highest_corr.sort_values(ascending=True)

我們現(xiàn)在可以通過創(chuàng)建一個相關(guān)矩陣來更仔細(xì)地研究不同相關(guān)特征之間的關(guān)系。

figure(num=None, figsize=(12, 10), dpi=80, facecolor='w', edgecolor='k')

corr2 = Numeric_df[['bruises_f' , 'bruises_t' , 'gill-color_b' , 'gill-size_b' , 'gill-size_n' , 'ring-type_p' , 'stalk-surface-below-ring_k' , 'stalk-surface-above-ring_k' , 'odor_f', 'odor_n']].corr()

sns.heatmap(corr2, annot=True, fmt=".2g")圖 6：最高相關(guān)特征的相關(guān)矩陣

在這項(xiàng)分析中，另一個可能要控制的方面是檢查所選變量是否彼此高度相關(guān)。如果是的話，我們就只需要保留其中一個相關(guān)的，去掉其他的。最后，我們現(xiàn)在可以只選擇與 y 相關(guān)度最高的特征，訓(xùn)練/測試一個支持向量機(jī)模型來評估該方法的結(jié)果。

7、單變量選擇

單變量特征選擇是一種統(tǒng)計(jì)方法，用于選擇與我們對應(yīng)標(biāo)簽關(guān)系最密切的特征。使用 selectkbest 方法，我們可以決定使用哪些指標(biāo)來評估我們的特征，以及我們希望保留的 k 個最佳特征的數(shù)量。根據(jù)我們的需要，提供不同類型的評分函數(shù)：Classification = chi2, f_classif, mutual_info_classif

Regression = f_regression, mutual_info_regression

在本例中，我們將使用 chi2(圖 7)。

圖 7：卡方公式 [4]卡方(chi-squared，chi2)可以將非負(fù)值作為輸入，因此，首先，我們在 0 到 1 之間的范圍內(nèi)縮放輸入數(shù)據(jù)。

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2

min_max_scaler = preprocessing.MinMaxScaler()

Scaled_X = min_max_scaler.fit_transform(X2)

X_new = SelectKBest(chi2, k=2).fit_transform(Scaled_X, Y)

X_Train3, X_Test3, Y_Train3, Y_Test3 = train_test_split(X_new, Y, test_size = 0.30, random_state = 101)

start = time.process_time()

trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train3,Y_Train3)

print(time.process_time() - start)

predictionforest = trainedforest.predict(X_Test3)

print(confusion_matrix(Y_Test3,predictionforest))

print(classification_report(Y_Test3,predictionforest))

8、套索回歸

當(dāng)將正則化應(yīng)用于機(jī)器學(xué)習(xí)模型時，我們在模型參數(shù)上加上一個懲罰，以避免我們的模型試圖太接近我們的輸入數(shù)據(jù)。通過這種方式，我們可以使我們的模型不那么復(fù)雜，并且我們可以避免過度擬合(使我們的模型不僅學(xué)習(xí)關(guān)鍵的數(shù)據(jù)特征，而且學(xué)習(xí)它的內(nèi)在噪聲)。

其中一種可能的正則化方法是套索回歸。當(dāng)使用套索回歸時，如果輸入特征的系數(shù)對我們的機(jī)器學(xué)習(xí)模型訓(xùn)練沒有積極的貢獻(xiàn)，則它們會縮小。這樣，一些特征可能會被自動丟棄，即將它們的系數(shù)指定為零。

from sklearn.linear_model import LassoCV

regr = LassoCV(cv=5, random_state=101)

regr.fit(X_Train,Y_Train)

print("LassoCV Best Alpha Scored: ", regr.alpha_)

print("LassoCV Model Accuracy: ", regr.score(X_Test, Y_Test))

model_coef = pd.Series(regr.coef_, index = list(X.columns[:-1]))

print("Variables Eliminated: ", str(sum(model_coef == 0)))

print("Variables Kept: ", str(sum(model_coef != 0)))

一旦訓(xùn)練了我們的模型，我們就可以再次創(chuàng)建一個特征重要性圖來了解哪些特征被我們的模型認(rèn)為是最重要的(圖 8)。這是非常有用的，尤其是在試圖理解我們的模型是如何決定做出預(yù)測的時候，因此使我們的模型更易于解釋。

figure(num=None, figsize=(12, 10), dpi=80, facecolor='w', edgecolor='k')

top_coef = model_coef.sort_values()

top_coef[top_coef != 0].plot(kind = "barh")

plt.title("Most Important Features Identified using Lasso (!0)")圖 8：套索特征重要性圖

總結(jié)

以上是生活随笔為你收集整理的分词之后的如何做特征选择_特征选择怎么做？这篇文章告诉你的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。