作者：龍心塵?&&寒小陽?
時間：2016年1月。?
出處：?
http://blog.csdn.net/longxinchen_ml/article/details/50471682

聲明：版權(quán)所有，轉(zhuǎn)載請聯(lián)系作者并注明出處

1. 引言

再過一個月就是春節(jié)，相信有很多碼農(nóng)就要準備歡天喜地地回家過（xiang）年(qin)了。我們今天也打算講一個相親的故事。

講機器學習為什么要講相親？被討論群里的小伙伴催著相親，哦不，催著講特征工程緊啊。只是我們不太敢講這么復雜高深的東西，畢竟工程實踐的經(jīng)驗太復雜了，沒有統(tǒng)一的好解釋的理論，一般的教材講這方面的內(nèi)容不多。我們就打算以一個相親的故事為例，串一些特征工程的內(nèi)容。

2. 故事背景

事先聲明：本故事純屬虛構(gòu)，如有雷同，純屬巧合！

海歸白富美韓梅梅剛回國，還沒適應(yīng)工作，母親就催著相親。以父母的關(guān)系，他們了解到的適齡單身男青年有100個。要從100個男生中找到1個理想的女婿，可謂百里挑一。韓梅梅母親也擔心女兒相親多了會反感，打算草擬一個相親名單，人數(shù)不多。怎么從中挑出優(yōu)秀男青年就是一個首要的問題。

3. 用機器學習的框架去分析

我們用機器學習的框架分析，在父母眼中，這100個男生最終將會分成兩類：“女婿”（1人）和“非女婿”（99人）。“女婿”和“非女婿”就叫做“標簽”。

而選擇相親名單的標準——如“是否高富帥”、“是否海歸”等等——就叫作“特征”。最好能有一個特征能夠精確定位理想女婿。但這太過理想了。比較現(xiàn)實的方法是從這些“特征”中選擇、拆分、組合出最合適的特征，逐漸逼近我們的標簽，以形成一個精簡的相親名單。而這個過程，就可以理解成特征處理、特征工程的過程。

但是，現(xiàn)實中的特征有千千萬，拆分重組之后特征又是幾何級數(shù)地增加，可能永遠也窮舉不完。因此需要有統(tǒng)一客觀的指標來衡量這些特征對標簽的識別能力，以便進一步地深入分析。而評估這些“特征”對我們的“標簽”的有效程度的過程就叫作“特征有效性分析”。

4. 劇情一：韓媽媽的“如意算盤”

為人父母嘛，總是希望女兒嫁得好。韓媽媽的第一反應(yīng)的就是要找“高富帥”。先她先從這100個男生中挑了挑，符合高富帥這個標準的有5個人。

韓媽媽的如意算盤是這樣的：女婿就從這5個人中挑，概率就是20%，比之前的1%整整提高了20倍，嘿嘿嘿。。。

5. 特征有效性分析

其實，這就韓媽媽不知不覺就走了一個特征有效性分析的過程。我們用圖表演示一下：?

?

考慮到各方面的概率，用下圖表示更加直觀：?

?

為了表述方便，我們以隨機挑女婿而不考慮任何特征的概率叫做“ 先驗概率” （1%）。而中間的箭頭中的概率則表示 在已經(jīng)知道樣本所屬特征前提下 ，屬于女婿還是不屬于女婿的概率，也可以叫作 “標簽相對于某個特征的后驗概率” （20%）。而母親的如意算盤就是 考慮了上圖中紅圈部分的先驗概率與后驗概率（也可以叫條件概率） 。這其實是一種很樸素的特征有效性分析的方法。而且她還做了個更加精確的數(shù)量化描述：

后驗概率先驗概率=20%1%=20（倍）。?

只是在工程上做除法可能運算會麻煩些，而兩邊同時取對數(shù)轉(zhuǎn)換成減法則更方便：

log(后驗概率先驗概率)=log(后驗概率)?log(先驗概率)

概率表示著選女婿的可能性或者確定性。在本例中，后驗概率的確定性比先驗概率的確定性更高。可見，“確定性的增加”可以作為特征有效性分析的一個指標。

我們進一步分析，無論先驗概率還是后驗概率，其本身是0-1之間的一個數(shù)，取完對數(shù)之后是一個負數(shù)，這在現(xiàn)實中不太方便找到其對應(yīng)的現(xiàn)象解釋。但是概率的倒數(shù)一定大于1，取完對數(shù)之后就是一個正數(shù)，就好找現(xiàn)實解釋了。我們可以把這個“概率倒數(shù)的對數(shù)”理解成不確定性的指標。于是上式就變成：

log(后驗概率先驗概率)=log(1先驗概率)?log(1后驗概率)

這里面的log(后驗概率先驗概率)我們叫做互信息。

因此，“不確定性的減少”可以作為特征有效性分析的一個指標。這個結(jié)論我們接下來將會反復用到。

6. 劇情二：白富美巧勸慈母

韓媽媽半開玩笑地問韓梅梅：“我們家閨女只挑高富帥的怎么樣？”女兒想了想，說：“如果人家看不上我們怎么辦？”母親笑著說：“我們的家境哪里差了？何況我們的女兒這么優(yōu)秀，我們還看不上他們呢。”

女兒說：“這就是說明我們雙方不合適了。我們家條件雖然還不錯，但是比下有余、比上不足，跟真正條件好的家庭比較起來我們根本不算事兒。如果一味挑高富帥，他們可能覺得我們只是看中他們的錢，反倒把我們家看低了。相反，要是真要有個真正對我好的男生，比什么都幸福，而他不一定必須是高富帥。畢竟跟我一起相處一輩子的是一個活生生的人，而不是他背后的東西嘛。”

母親很有感慨地說：“嗯，你能這樣想我就放心了。梅梅真是長大了。那么，你打算怎么辦？”女兒說道：“高富帥也得分人，踏實人品好的也可以接觸一下，但是玩心太重不會照顧人的我就不喜歡。估計高富帥里面這兩種人一半一半吧。很多男生并不是高富帥，其中沒準也有合適的人呢。”

7. 特征有效性分析

現(xiàn)在特征的分布發(fā)生了新變化。按韓梅梅的分析，高富帥中可能有一半她就不會喜歡，而不是高富帥的男生中沒準有合適的人。我們可以簡單假設(shè)高富帥中與非高富帥中各有0.5個合適的人。則分析圖表如下：?

現(xiàn)在的情況是，“是不是女婿”的可能性同時分布在“是高富帥”和“不是高富帥”中，單獨衡量“高富帥”本身的后驗概率已經(jīng)不夠描述特征的整體效果了。我們可以有一個考慮特征整體情況的指標。

還是回到之前的那句話：

“不確定性的減少”可以作為特征有效性分析的一個指標。

我們之前考慮了“是女婿”的不確定性是log(11%)，相應(yīng)的“不是女婿”的不確定性是log(199%)，那么標簽“是否女婿”作為整體的平均不確定性則可以理解為這兩個狀態(tài)的加權(quán)平均：

H（Y）=1%×log(11%)+99%×log(199%)=0.08079。(全文假定對數(shù)log的底數(shù)取為2)

這就是傳說中的信息熵。我們用Y表示標簽，用H（Y）表示“是否女婿”的信息熵，也就是其整體的平均不確定性。

那么考慮特征（“是否高帥富”）后的標簽（“是否女婿”）的平均不確定性怎么衡量？我們用X:{“是高富帥”,“不是高富帥”}來表示特征。其實，與上面的思路類似，我們在已知特征為“是高富帥”的前提下，“是否女婿”這個標簽的整體平均不確定性可以用相對“是高富帥”的后驗概率來求出：

H(Y|X=“是高富帥”)=(0.5/5)×log(1(0.5/5))+(4.5/5)×log(1(4.5/5))=0.46900

在已知特征為“不是高富帥”的前提下，“是否女婿”這個標簽的整體平均不確定性可以用相對“不是高富帥”的后驗概率來求出：

H(Y|X=“不是高富帥”)=(0.5/95)×log(1(0.5/95))+(94.5/95)×log(1(94.5/95))=0.04741。

因此，已知特征(無論具體是“是高富帥”還是“不是高富帥”)情況下的標簽平均不確定性為前面兩種情況的加權(quán)平均：

H(Y|X)?
=P(X=“是高富帥”)×H(Y|X=“是高富帥”)+P(X=“不是高富帥”)×H(Y|X=“不是高富帥”)
=5/100×0.46900+95/100×0.04741=0.06849?
這就是傳說中的條件熵。

所以，考慮特征后，標簽的“不確定性的減少”為：

I（Y,X）=H（Y）?H(Y|X)=0.01230?
這個I（Y,X）就叫做平均互信息。

我們用同樣的方法去評價之前母親設(shè)想的女婿只在高富帥中的理想情況（也就是女婿只在高富帥中產(chǎn)生的情況）的互信息I（Y,X′）=0.04470

平均互信息從理想情況的0.04470下降到0.01230，也就是說原以為特征“是否高富帥”與標簽“是否女婿”的相關(guān)性很高，后來發(fā)現(xiàn)相關(guān)性其實是比較低的。可見理想很豐滿，現(xiàn)實很骨感。

8. 劇情三：白富美重定名單

其實，韓梅梅沒有說出來的話是她有一個青梅竹馬的碼農(nóng)叫李雷。她出國之前的對他的印象還不錯。如果按母親的標準李雷肯定排除在相親名單外了，而她想給他一個機會。

這時母親說話了：“我們家女兒考慮得挺好，那相親名單你來定吧。”女兒說：“不是高富帥的男生也該好好區(qū)分一下，那些品行端正、氣度不凡、踏實肯干的潛力股的男生我也比較欣賞，其他的就暫且不考慮了。”母親說：“就是說可以從高富帥中挑出部分品德好的，還有從不是高帥富的男生中挑出部分潛力股，共同組成一個新的名單，我們的女婿就在這里面了?”女兒不好意思地說：“媽媽您真著急，八字還沒一撇呢。”

接著，韓梅梅母女倆從高富帥中挑了2個口碑不錯的，又從不是高富帥的男生中條了10個很不錯的。最終組成了12人的相親名單。李雷的名字在其中。

9. 拆分重組成為新特征

其實以上韓梅梅母女倆完成了一次特征的拆分與重組過程。具體圖示如下:?

這里用“潛帥德”表示韓梅梅對“品行端正、氣度不凡、踏實肯干的潛力股”的特征的描述。

特征進行拆分與重組的過程在特征工程中經(jīng)常出現(xiàn)。因為當你對特征與標簽的相關(guān)性有定量的評估方法后，會篩選出那些不那么顯著的特征（如本例中的“是否高富帥”），然后去分析考核指標這么低的原因，啟發(fā)你引入新的特征（如本例中的“是否品德良好”、“是否有潛力”）將原有特征拆分重組，可能會有更好的效果。而這些生成的新特征，又要經(jīng)過特征有效性分析來最終評估。如此反復迭代。

10. 特征有效性分析

我們用X2來表示新特征，與上面的思路類似，我們計算X2的平均互信息：

I（Y,X2）=H（Y）?H(Y|X2)=0.03114

與之前的平均互信息I（Y,X）=0.01230比起來，有了顯著提高。可見新特征X2比之前的特征X更有效。

11. 劇情四:韓媽媽給名單分級

在跟韓梅梅聊完之后，韓媽媽轉(zhuǎn)念一想:“為什么非要有一份相親名單？可以把這12個人再分成兩類，第一類是高富帥的，先相親。這些覺得不合適后再考慮剩下的10個人啊。”

12. 特征有效性分析

我們繼續(xù)分析，用X3來表示新特征，與上面的思路類似，我們計算X3的平均互信息：

I（Y,X3）=H（Y）?H(Y|X3)=0.03593

與之前的平均互信息I（Y,X2）=0.03114比起來，又有了一定的提高。可見新特征X3比之前的特征X2更有效。

韓媽媽真是為女兒的相親操碎了心。

13. 劇情五：韓媽媽問計趙媒婆

韓媽媽思索完之后抑制不住內(nèi)心的興奮，想找人傾訴。這時她正好在路上碰見了趙媒婆。趙媒婆在韓媽媽的老閨蜜圈中享有盛譽，相親非常有經(jīng)驗。

趙媒婆聽了韓媽媽的訴說后，微微一笑，說：“你這個名單不夠?qū)I(yè)。”韓媽媽大為詫異。趙媒婆繼續(xù)說：“高、富、帥三個特征本來就是相互獨立的三個特征，你硬生生地綁在一起，多少大好青年被你給甩掉了。后面的潛力股啊、人品端正啊什么的都類似。”韓媽媽恍然大悟:“真是這樣啊。”

趙媒婆說：“其實你這里最大的問題是這些特征的評估都是拍腦袋決定，沒有充分的現(xiàn)實數(shù)據(jù)做支撐，很可能會犯錯誤的。”韓媽媽暗暗點頭，心生佩服。

趙媒婆接著說：“還有一個問題，你準備了兩份名單，也就是把人群分成了三份，你算平均互信息只能評價整體的，具體到每一份人群你怎么對他們評價？”韓媽媽想了想，說：“我們可以直接用相對于某個具體條件的信息熵啊。”趙媒婆說：“何苦這么麻煩呢？”

韓媽媽聽她話里有話，打算繼續(xù)問下去。

14. 評價特征選項的兩個方法

在趙媒婆最后一個問題中，韓媽媽所說的其實是可以計算以下三個值來評估具體的特征選項：

• H(Y|X3=“高富帥德”)
• H(Y|X3=“潛帥德”)
• H(Y|X3=“不是高富帥德且不是潛帥德”)

而這三個值在之前計算條件熵H(Y|X3)的過程中就已經(jīng)計算出來了。所以比較起來應(yīng)該很方便。

但其實更簡單的方法用他們相對于所需要標簽的后驗概率評價。如下圖紅色的部分，比較大小就可以找出評價較好的特征。?

顯然“高富帥德”的評分最高（0.25），“潛帥德”的評分次之（0.05），“不是高富帥德且不是潛帥德”評分最差（0）。符合韓媽媽的預期。

然而，趙媒婆的想說的并不是這種方法，而是邏輯回歸……

15. 劇情六：趙媒婆的數(shù)據(jù)庫

趙媒婆不等韓媽媽說話，就直接拿出了自己的神器:一個平板電腦。然后打開她的相親數(shù)據(jù)庫，點了點鼠標，一張巨大的表展現(xiàn)出來。韓媽媽目瞪口呆：“現(xiàn)在媒婆都用高科技了？”趙媒婆傲嬌地說:“那是。”

這張大表是她這么多年來全國各地相親介紹的所有男生信息，分別標注了每個男生的升高、年齡、年薪、長相特點、教育經(jīng)歷、工作經(jīng)歷、是否海歸、工作年限、工作公司、工作地點、出身地、是否有戶口、是否公務(wù)員、具體職業(yè)、行業(yè)、性格傾向等等信息。

她還有一張女生信息表，另外一張男生女生相親情況表（相親成功、相親不成、繼續(xù)發(fā)展、未接觸）。媒婆一一給韓媽媽解釋這些信息。韓媽媽連連驚呼。

趙媒婆接著說道：“我們可以從里面找出跟你女兒情況相近的一些女生信息，再把跟她們相過親的男生找出來，把其中相親成功的歸為一類，剩下的歸為另一類。然后假設(shè)男生的每個特征對相親成功都有貢獻，貢獻的權(quán)重為wi。我們用邏輯回歸的方法可以求出這些權(quán)重，把這些權(quán)重大的特征挑出來，你再用它們來找女婿就方便了。”

韓媽媽說：“邏~輯~什么？”趙媒婆說：“高科技了，你不懂的。不過給我干兒子寫了個博客來介紹，你可以看看。”

16. 特征篩選與特征工程工作流

呃，我們什么時候成趙媒婆的干兒子了?先不管這些。邏輯回歸并不是什么高科技，在前面的文章里已有簡單的解釋。我們在這里就補充說明一下為什么可以用權(quán)重來衡量特征的貢獻。以下是一個典型的邏輯回歸過程：?

我們期望P(z)的概率越大越好，sigmoid函數(shù)是個單調(diào)遞增函數(shù)，所以z越大越好，在所有特征都歸一化的前提下，顯然是權(quán)重wi越大越好。因此與wi對應(yīng)的特征就是我們要尋找的顯著特征。而那些權(quán)重小的特征就可以先不考慮了。這就完成了一個最簡單的特征篩選的過程。

當然，這里所說的權(quán)重大可以指的是權(quán)重的絕對值很大，比如特征“富”的權(quán)重是-100，是一個很小的數(shù)，但這也就意味著“不富”的權(quán)重會很大，以至于顯著影響我們的z的結(jié)果。所以這也是一個顯著特征。

需要補充一下的是，在工程實踐中，權(quán)重的幅度和正則化也有關(guān)系。L1正則化會把特征拉稀疏，會產(chǎn)出一部分0特征。而不是0的那些特征，是有作用的特征。所以L1正則化其實具備一定的特征選擇（feature selection）的作用。尤其是很高維空間的feature，用L1正則化，其實能幫助做一下feature selection的。而L2正則化，則會把各個維度的權(quán)重拉平均一些，抑制住各個維度權(quán)重幅度的方差。但是抑制歸抑制，最后的權(quán)重還是會有大小差異，就像上文說的，絕對值大的權(quán)重，對應(yīng)的特征區(qū)分度好一些。

對于那些不夠顯著的特征，我們需要分析一下這個特征的具體情況是怎樣，是否需要對其進行重新拆分與重組，拆分重組后新的特征又可以進行特征有效性分析。如此不斷迭代反復，就可以挑選出比較理想的特征了。

我們用以下整個工作流大致展現(xiàn)這個過程。由于很多內(nèi)容沒有展開，我們先把名字寫進去，在后續(xù)的文章中繼續(xù)擴展。?

17. 劇情七：韓媽媽新名單塵埃落定

在韓媽媽與趙媒婆的盡心鼓搗下，最終生成了一個只有4個人的相親名單。其中只剩下一名高富帥，另外三人中有一人正是李雷。韓媽媽拿著新名單給女兒看，韓梅梅沉默半晌，心想李雷在四人名單中怎么也能存在，莫非這也是緣分？

18. 小結(jié)

本文中主要講了一些特征有效性分析的方法，包括用互信息，平均互信息，條件熵，后驗概率，邏輯回歸權(quán)重等方法對特征與標簽的相關(guān)性進行了評估。有了這些評估做基礎(chǔ)，可以篩選出顯著的特征，并對對不顯著的特征進行分析、拆分和重組，最終形成新的特征并反復迭代。本文略過了一些特征預處理的方法，并對特征有效性評估的闡述不夠充分，我們將在接下來的文章中予以討論。

總結(jié)

以上是生活随笔為你收集整理的机器学习系列(5)_从白富美相亲名单看特征选择与预处理（上）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。