数据预处理 | 使用 Filter Wrapper Embedded 实现特征工程中的特征选择

目录

1 Filter

　　1.1 移除低方差特征（Removing features with low variance）

　　1.2 单变量特征选择 (Univariate feature selection)

　　　　1.2.1 卡方检验 (Chi2)

　　　　1.2.2 Pearson 相关系数 (Pearson Correlation)

2 Wrapper

　　2.1 递归特征消除 (Recursive Feature Elimination)

3 Embedding

　　3.1 使用 SelectFromModel 选择特征 (Feature selection using SelectFromModel)

 

1 Filter 

1.1 移除低方差特征 (Removing features with low variance)

　　即去掉那些取值变化小的特征

　　当特征值都是离散型变量的时候这种方法才能用，如果是连续型变量，就需要将连续变量离散化之后才能用。

# Variance 偏差  Threshold阈值
from sklearn.feature_selection import VarianceThreshold
X = [[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 1], [0, 1, 0], [0, 1, 1]]
sel = VarianceThreshold(threshold=(.8*(1-.8)))
sel.fit_transform(X)

 可见，移除了 特征值为 0 的概率达到了 5/6 的第一列。

 

1.2 单变量特征选择 (Univariate feature selection)

　　原理是分别单独的计算每个变量的某个统计指标，根据该指标来判断哪些变量重要，剔除那些不重要的变量

　　对于分类问题 (y离散)，可采用：

• • 　　卡方检验

　　对于回归问题 (y连续)，可采用：

• • 　　皮尔森相关系数 余弦值cos（只考虑了方向）

  • 　　f_regression,

  • 　　mutual_info_regression

  • 　　最大信息系数

 

1.2.1 卡方检验 (Chi2)

　　检验定性自变量对定性因变量的相关性。如 对样本进行一次卡方检验来选择最佳的两项特征：

from sklearn.datasets import load_iris  # 鸢尾花数据集

# 用于特征选择的包
from sklearn.feature_selection import SelectKBest  # 训练的套路
from sklearn.feature_selection import chi2  

iris = load_iris()
x, y = iris.data, iris.target

# 参数解释：chi2 使用卡方检验，k=2 留下两个特征
x_new = SelectKBest(chi2,k=2).fit_transform(x,y)

 4 个特征只剩 2 个

 

1.2.2 Pearson 相关系数 (Pearson Correlation)

　　该方法衡量的是变量之间的线性相关性，结果的取值区间为[-1，1]，-1表示完全的负相关，+1表示完全的正相关，0表示没有线性相关。

　　使用Pearson相关系数主要是为了看特征之间的相关性，而不是和因变量之间的

　　pearsonr(x, y)的输入为特征矩阵和目标向量，能够同时计算 相关系数 和 p-value (显著性水平那个p值).

import numpy as np
from scipy.stats import pearsonr  # sciPy 科学python哈哈，stats：统计学
np.random.seed(0)  # 设置生成随机数的种子
size = 300
x = np.random.normal(0,1,size=size)  # 生成标准正态分布的300个数

# Lower noise
pearsonr(x, x + np.random.normal(0,1,size))

# Higher noise
pearsonr(x, x + np.random.normal(1,10,size))

 

当噪音比较小的时候，相关性很强，p-value很低。

 

2. Wrapper

2.1 递归特征消除 (Recursive Feature Elimination)

　　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，移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。

　　对特征含有权重的预测模型(例如，线性模型对应参数coefficients)，RFE (即 一个训练的套路) 通过递归减少考察的特征集规模来选择特征。首先，预测模型在原始特征上训练，每个特征指定一个权重。之后，那些拥有最小绝对值权重的特征被踢出特征集。如此往复递归，直至剩余的特征数量达到所需的特征数量。

from sklearn.feature_selection import RFE
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

# 建立一个决策树模型
rf = RandomForestClassifier()
# 加载鸢尾花数据
iris=load_iris()
x, y=iris.data,iris.target

# 创建RFE 递归消除特征
# estimator 传入RFE使用到的模型，n_features_to_select 最终剩下几个特征
rfe = RFE(estimator=rf, n_features_to_select=3)
x_rfe = rfe.fit_transform(x,y)
x_rfe.shape

 

3 Embedded

3.1 基于L1的特征选择 (L1-based feature selection)

　　很难指定最终剩几个特征，剩多少算多少哈哈

　　使用L1范数作为惩罚项的线性模型(Linear models)会得到稀疏解：大部分特征对应的系数为0。当你希望减少特征的维度以用于其它分类器时，可以通过 feature_selection.SelectFromModel 来选择不为0的系数。

　　常用于此目的的稀疏预测模型有 linear_model.Lasso（回归）， linear_model.LogisticRegression 和 svm.LinearSVC（分类）

from sklearn.feature_selection import SelectFromModel  # 训练套路
from sklearn.svm import LinearSVC  # 模型

# penalty 惩罚项，逻辑回归中也有。一般都是默认 l2范数，这里【必须改成 l1】
lsvc = LinearSVC(C=1, penalty='l1', dual=False).fit(x,y)

# 进行特征选择，很难预测最后剩几个特征
model = SelectFromModel(lsvc, prefit=True) 
x_embed = model.transform(x)

 

 

 

本文只用于学习