sklearn特征工程 - 夜尽天明00

特征清洗
1. 清洗异常样本
2. 采样：数据不均衡、样本权重
数据预处理
1. 单个特征：归一化、离散化、Dummy Coding、缺失值和数据变换（log，指数，Box-Cox）
2. 多个特征：
  
  ❶降维（PCA、LDA）
  
  ❷特征选择
  1. Filter（思路：自变量和目标变量之间的关联；相关系数；卡方检验；信息增益；互信息）
  2. Wrapper（思路：通过目标函数（AUC/MSE）来决定是否加入一个变量；迭代：产生特征子集，评价（完全搜索、启发式搜索、随即搜索））
  3. Embedded(思路：学习器自身自动选择特征；正则好（L1,L2）;决策树（熵，信息增益）；深度学习)
3. 衍生变量 ----对原始数据加工，生成有商业意义的变量
特征监控
1. 特征有效性分析 ----特征重要性，权重
2. 特征监控----监控重要特征----防止特征质量下降，影响模型效果

特征处理时特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等等。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里介绍的特征处理库也十分强大。

本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明。IRIS数据集由Fisher在1936年整理，包含4个特征（Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度）），特征值都为正浮点数，单位为厘米。目标值为鸢尾花的分类（Iris Setosa（山鸢尾）、Iris Versicolour（杂色鸢尾），Iris Virginica（维吉尼亚鸢尾））。导入IRIS数据集的代码如下：

from sklearn.datasets import load_iris

#导入IRIS数据集

iris = load_iris()

#特征矩阵

dataset=iris.data

#目标向量

labels=iris.target

数据预处理

通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题：

不属于同一量纲：即特征的规格不一样，不能够放在一起比较。无量纲化可以解决这一问题。
信息冗余：对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心"及格"或不"及格"，那么需要将定量的考分，转换成"1"和"0"表示及格和未及格。二值化可以解决这一问题。
定性特征不能直接使用：某些机器学习算法和模型只能接受定量特征的输入，那么需要将定性特征转换为定量特征。最简单的方式是为每一种定性值指定一个定量值，但是这种方式过于灵活，增加了调参的工作。通常使用哑编码的方式将定性特征转换为定量特征：假设有N种定性值，则将这一个特征扩展为N种特征，当原始特征值为第i种定性值时，第i个扩展特征赋值为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线性模型来说，使用哑编码后的特征可达到非线性的效果。
存在缺失值：缺失值需要补充
信息利用率低：不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的转换，都能达到非线性的效果。

我们使用sklearn中的preproccessing库来进行数据预处理，可以覆盖以上问题的解决方案。

无量纲化

无量纲化可以加快梯度下降法收敛速度，有可能提高精度。

无量纲化使不同规格的数据转换到同一规格。常见的无量纲化方法有标准化和区间缩放法。标准化的前提是特征值服从正态分布，标准化后，其转换成标准正态分布。区间缩放法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，例如[0, 1]等。

1.1标准化

标准化方法是将变量的每个值与其平均值之差除以该变量的标准差，无量纲化后变量的平均值为0，标准差为1。使用该方法无量纲化后不同变量间的均值和标准差都相同，即同时消除了变量间变异程度上的差异。

标准化公式为：

sklearn实现标准化有两种不同的方式：
1. preprocessing.scale()方法实现，可以直接将给定数据进行标准化，得到（0—1正态分布）Standardize a dataset along any axis
  
  其中：参数x(类数组，稀疏矩阵)
  
  axis：int类型（默认为0），如果为0，按特征（即列）标准化；如果为1，按样本（即行）标准化
  
  with_mean:均值，默认为真
  
  with_std:方差,默认为真
2. 使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数（均值、方差）直接使用其对象转换测试集数
  
  据。

class sklearn.preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)

通过删除平均值和缩放到单位方差来标准化特征

参数：copy：默认为True

这个类的属性：

scale_:数据的相对缩放

mean_：训练集中每个特征的均值

var_：训练集中每个特征的方差、

n_samples_seen_:int类型，样本数

这个类的方法：

fit(X[,y]):计算均值和方差为了之后的缩放

fit_transform()：训练，然后标准化数据

get_params(deep=True)：得到估计量的参数

inverse_transform(X, copy=None)：反标准化

transform(X, y='deprecated', copy=None)：标准化

1.2区间缩放法

区间缩放法的思路有多种，常见的一种是利用两个最值进行缩放，公式表达为：

1.3归一化方法有两种

1）使用Normalizer类的方法归一化

class sklearn.preprocessing.Normalizer(norm='l2', copy=True)

将样品归一化为单位范数

2）使用normalize()方法进行归一化

sklearn.preprocessing.normalize(X, norm='l2', axis=1, copy=True, return_norm=False)

对定量特征二值化
1. 为什么要对定量特征二值化？
  
  对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心"及格"或不"及格"，那么需要将定量的考分，转换成"1"和"0"表示及格和未及格。二值化可以解决这一问题。
2. 对定量特征二值化的方法
对定性特征哑编码
1. OneHotEncoder()热编码
  
  给定一个数据集，我们让编码器找到每个特征的最大值，并将数据转换为二进制的形式表现出来。
  
  比如输入特征1的三个样本值为1，2，9，会编为一个二进制
2. LabelEncoder()标签编码
  
  将标签编码为不同的数字来表示不同的类别
缺失值计算，处理缺失值

在python语言中，缺失值一般被称为nan，是"not a number"的缩写。

下面的代码可以计算出数据总共有多少个缺失值,这里数据是存储在pandas中的DateFrame中：

删除包含缺失值的数据列（这种方法适用于数据列包含的缺失值太多的情况）

在大多数情况下，我们必须在训练集（training dataset）和测试集（test dataset）中删除同样的数据列。
填补缺失值

这种方法比直接删除数据列好点，能训练出更好的模型。

默认的填补策略是使用均值填充
拓展方法

如果缺失数据包含重要特征信息的话，我们需要保存原始数据的缺失信息，存储在boolearn列中

数据变换
回顾
1. 特征选择
  
  当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，
  
  ****从两个方面选择特征：
  
  ①特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么作用。
  
  ②特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优先选择。除方差法外，本文介绍的其他方法均从相关性考虑。
  
  ****根据特征选择的形式又可以将特征方法分为3种：
  
  ①Filter：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。
  
  ②Wrapper：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。
  
  Embedder: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，根据稀疏从大到小选择特征，类似于Filter方法，但是是通过训练来确定大哥特征的优劣。
  
  我们使用sklearn中的feature_selection库来进行特征选择。
  
  1.Filter过滤法

1.1方差选择法

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。使用feature_selection库的VarianceThreshold类来选择特征的代码如下：

1.2相关系数法

使用相关系数法，先要计算各个特征对目标值得相关系数以及相关系数得P值，用feature_selection库得SelectKBest类结合相关系数来选择特征得代码如下：

相关系数表征两组数得相关程度。

1.3卡方检验

经典得卡方检验是检验定性自变量对定性因变量得相关性。假设自变量有N中取值，因变量有M中取值，考虑自变量等于i且因变量等于j得样本频数得观察值与期望得差距，构建统计量：

这个统计量的含义简而言之就是自变量对因变量的相关性。用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：

1.4互信息法

经典得互信息也是评价定性自变量对定性因变量得相关性的，互信息计算公式如下：

2.Wrapper：包装法

2.1递归特征消除法

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。使用feature_selection库的RFE类来选择特征的代码如下：

3.Embedder

3.1基于惩罚项的特征选择法

3.2基于树模型的特征选择法

4回顾

降维

当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外，另外还有主成分分析法（PCA）和线性判别分析（LDA），线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能。所以说PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。
1. 主成分分析法（PCA）
2. 线性判别分析法（LDA）
3. 回顾
总结

再让我们回归一下本文开始的特征工程的思维导图，我们可以使用sklearn完成几乎所有特征处理的工作，而且不管是数据预处理，还是特征选择，抑或降维，它们都是通过某个类的方法fit_transform完成的，fit_transform要不只带一个参数：特征矩阵，要不带两个参数：特征矩阵加目标向量。这些难道都是巧合吗？还是故意设计成这样？方法fit_transform中有fit这一单词，它和训练模型的fit方法有关联吗？接下来，我将在《使用sklearn优雅地进行数据挖掘》中阐述其中的奥妙！

posted on 2018-07-19 22:58 夜尽天明00 阅读(644) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部