http://blog.csdn.net/pipisorry/article/details/40200111
特征工程的思维导图
sklearn.feature_selection 模块中的类能够用于数据集的特征选择/降维,以此来提高预测模型的准确率或改善它们在高维数据集上的表现。
1. 移除低方差的特征(Removing features with low variance)
VarianceThreshold 是特征选择中的一项基本方法。它会移除所有方差不满足阈值的特征。默认设置下,它将移除所有方差为0的特征,即那些在所有样本中数值完全相同的特征。
假设我们有一个带有布尔特征的数据集,我们要移除那些超过80%的数据都为1或0的特征。布尔特征是伯努利随机变量,该类变量的方差为:
我们可以使用阈值 .8 * (1 - .8)
:
>>> 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)
array([[0, 1],
[1, 0],
[0, 0],
[1, 1],
[1, 0],
[1, 1]])
果然, VarianceThreshold
移除了第一列特征,第一列中特征值为0的概率达到了 。
2. 单变量特征选择(Univariate feature selection)
单变量特征选择基于单变量的统计测试来选择最佳特征。它可以看作预测模型的一项预处理。
Scikit-learn将特征选择程序用包含 transform
函数的对象来展现:
SelectKBest
移除得分前 名以外的所有特征SelectPercentile
移除得分在用户指定百分比以后的特征- 对每个特征使用通用的单变量统计测试:假正率(false positive rate)
SelectFpr
, 伪发现率(false discovery rate)SelectFdr
, 或族系误差率SelectFwe
.GenericUnivariateSelect
可以设置不同的策略来进行单变量特征选择。同时不同的选择策略也能够使用超参数寻优,从而让我们找到最佳的单变量特征选择策略。
比如,我们可以对样本进行一次 测试来选择最佳的两项特征:
>>> from sklearn.datasets import load_iris
>>> from sklearn.feature_selection import SelectKBest
>>> from sklearn.feature_selection import chi2
>>> iris = load_iris()
>>> X, y = iris.data, iris.target
>>> X.shape
(150, 4)
>>> X_new = SelectKBest(chi2, k=2).fit_transform(X, y)
>>> X_new.shape
(150, 2)
这些作为打分函数输入的对象,返回单变量的概率值:
- 用于回归
:[`f_regression`](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.f_regression.html%23sklearn.feature_selection.f_regression), [`mutual_info_regression`](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.mutual_info_regression.html%23sklearn.feature_selection.mutual_info_regression)
[](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.mutual_info_regression.html%23sklearn.feature_selection.mutual_info_regression)
- 用于分类
:[`chi2`](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.chi2.html%23sklearn.feature_selection.chi2), [`f_classif`](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.f_classif.html%23sklearn.feature_selection.f_classif), [`mutual_info_classif`](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.mutual_info_classif.html%23sklearn.feature_selection.mutual_info_classif)
[](https://www.oschina.net/action/GoToLink?url=http%3A%2F%2Fscikit-learn.org%2Fstable%2Fmodules%2Fgenerated%2Fsklearn.feature_selection.mutual_info_classif.html%23sklearn.feature_selection.mutual_info_classif)
稀疏数据的特征选择
如果你使用稀疏数据 (比如,使用稀疏矩阵表示的数据),只有chi2
, mutual_info_regression
, mutual_info_classif
能在处理数据时保持其稀疏性.
示例:Univariate Feature Selection
Note: [概率论:假设检验-t检验、卡方检验和AD-Fuller test ] Complexity of chi2 is O(n_classes * n_features).
3. 递归特征消除(Recursive feature elimination)
对于一个为数据特征指定权重的预测模型(例如,线性模型对应参数coefficients),递归特征消除 (RFE
)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,每项特征指定一个权重。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。
RFECV
通过交叉验证的方式执行RFE,以此来选择最佳数量的特征。
示例:
- Recursive feature elimination: 一个递归特征消除的示例,展示了在数字分类任务中,像素之间的相关性。
- Recursive feature elimination with cross-validation: 一个递归特征消除示例,通过交叉验证的方式自动调整所选特征的数量。
4. 使用SelectFromModel选择特征(Feature selection using SelectFromModel)
SelectFromModel
作为meta-transformer,能够用于拟合后任何拥有``coef_`` 或``feature_importances_`` 属性的预测模型。如果特征对应的``coef_`` 或 feature_importances_
值低于设定的阈值``threshold``,那么这些特征将被移除。除了手动设置阈值,也可通过字符串参数调用内置的启发式算法(heuristics)来设置阈值,包括:平均值(“mean”), 中位数(“median”)以及他们与浮点数的乘积,如”0.1*mean”。
关于SelectFromModel使用的示例见下节。
Examples
- Feature selection using SelectFromModel and LassoCV: 在阈值未知的前提下,选择了Boston dataset中两项最重要的特征。
4.1. 基于L1的特征选择(L1-based feature selection)
使用L1范数作为惩罚项的:ref:Linear models <linear_model> 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。特别指出,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.svm import LinearSVC
>>> from sklearn.datasets import load_iris
>>> from sklearn.feature_selection import SelectFromModel
>>> iris = load_iris()
>>> X, y = iris.data, iris.target
>>> X.shape
(150, 4)
>>> lsvc = LinearSVC(C=0.01, penalty="l1", dual=False).fit(X, y)
>>> model = SelectFromModel(lsvc, prefit=True)
>>> X_new = model.transform(X)
>>> X_new.shape
(150, 3)
对于SVM和逻辑回归,参数C控制稀疏性:C越小,被选中的特征越少。对于Lasso,参数alpha越大,被选中的特征越少 。
示例: Classification of text documents using sparse features:不同算法使用基于L1的特征选择进行文档分类的对比。
L1恢复和压缩感知(L1-recovery and compressive sensing)
对于一个好的alpha值,在满足特定条件下, Lasso 仅使用少量观测值就能够完全恢复出非零的系数。特别地,样本的数量需要“足够大”,否则L1模型的表现会充满随机性,所谓“足够大”取决于非零系数的数量,特征数量的对数,噪声的数量,非零系数的最小绝对值以及设计矩阵X的结构。此外,设计矩阵必须拥有特定的属性,比如不能太过相关(correlated)。对于非零系数的恢复,还没有一个选择alpha值的通用规则 。alpha值可以通过交叉验证来设置(LassoCV
or LassoLarsCV
),尽管这也许会导致模型欠惩罚(under-penalized):引入少量非相关变量不会影响分数预测。相反BIC (LassoLarsIC
) 更倾向于设置较大的alpha值。
Reference Richard G. Baraniuk “Compressive Sensing”, IEEE SignalProcessing Magazine [120] July 2007http://dsp.rice.edu/files/cs/baraniukCSlecture07.pdf
4.2. 随机稀疏模型(Randomized sparse models)
基于L1的稀疏模型的局限在于,当面对一组互相关的特征时,它们只会选择其中一项特征。为了减轻该问题的影响可以使用随机化技术,通过多次重新估计稀疏模型来扰乱设计矩阵,或通过多次下采样数据来统计一个给定的回归量被选中的次数。
RandomizedLasso
实现了使用这项策略的Lasso, RandomizedLogisticRegression
使用逻辑回归,适用于分类任务。要得到整个迭代过程的稳定分数,你可以使用 lasso_stability_path
。
注意到对于非零特征的检测,要使随机稀疏模型比标准F统计量更有效, 那么模型的参考标准需要是稀疏的,换句话说,非零特征应当只占一小部分。
示例: Sparse recovery: feature selection for sparse linear models: 比较了不同的特征选择方法,并讨论了它们各自适用的场合。
参考文献:
- N. Meinshausen, P. Buhlmann, “Stability selection”,Journal of the Royal Statistical Society, 72 (2010)http://arxiv.org/pdf/0809.2932
- F. Bach, “Model-Consistent Sparse Estimation through the Bootstrap”http://hal.inria.fr/hal-00354771/
4.3. 基于树的特征选择(Tree-based feature selection)
基于树的预测模型(见 sklearn.tree
模块,森林见 sklearn.ensemble
模块)能够用来计算特征的重要程度,因此能用来去除不相关的特征(结合 sklearn.feature_selection.SelectFromModel
):
>>> from sklearn.ensemble import ExtraTreesClassifier
>>> from sklearn.datasets import load_iris
>>> from sklearn.feature_selection import SelectFromModel
>>> iris = load_iris()
>>> X, y = iris.data, iris.target
>>> X.shape
(150, 4)
>>> clf = ExtraTreesClassifier()
>>> clf = clf.fit(X, y)
>>> clf.feature_importances_
array([ 0.04..., 0.05..., 0.4..., 0.4...])
>>> model = SelectFromModel(clf, prefit=True)
>>> X_new = model.transform(X)
>>> X_new.shape
(150, 2)
示例:
- Feature importances with forests of trees: 从模拟数据中恢复有意义的特征。
- Pixel importances with a parallel forest of trees: 用于人脸识别数据的示例。
5. 特征选择融入pipeline(Feature selection as part of a pipeline)
特征选择常常被当作学习之前的一项预处理。在scikit-learn中推荐使用 sklearn.pipeline.Pipeline
:
clf = Pipeline([
('feature_selection', SelectFromModel(LinearSVC(penalty="l1"))),
('classification', RandomForestClassifier())
])
clf.fit(X, y)
在此代码片段中,我们将 sklearn.svm.LinearSVC
和 sklearn.feature_selection.SelectFromModel
结合来评估特征的重要性,并选择最相关的特征。之后 sklearn.ensemble.RandomForestClassifier
模型使用转换后的输出训练,即只使用被选出的相关特征。你可以选择其它特征选择方法,或是其它提供特征重要性评估的分类器。更多详情见 sklearn.pipeline.Pipeline
相关示例。
[sklearn user guide: feature selection]
特征降维
Python下用scikit-learn做稀疏随机投影(sparse random projections)实现特征降维
[Python Sparse Random Projections]
from: http://blog.csdn.net/pipisorry/article/details/40200111
ref: