sklearn 特征工程feature_selection

特征工程feature_selection

特征提取，特征创造，特征选择

• 特征选择
  -过滤法，嵌入法，包装法，和降维算法。

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier as rfc
from sklearn.model_selection import cross_val_score

data=pd.read_csv("digit recognizor.csv")

data.head()

	label	pixel0	pixel1	pixel2	pixel3	pixel4	pixel5	pixel6	pixel7	pixel8	...	pixel774	pixel775	pixel776	pixel777	pixel778	pixel779	pixel780	pixel781	pixel782	pixel783
0	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	4	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0

5 rows × 785 columns

y=data.label

x=data.iloc[:,1:]

x.shape

(42000, 784)

3.1 filter 过滤法

-过滤方法通常用作预处理步骤，特征选择完全独立于任何机器学习算法。它是根据各种统计检验中的分数以及相关
性的各项指标来选择特征。

3.1.1 方差过滤， VarianceThreshold

• 比如一个特征本身的方差很小，就表示样本在这个特征上基本没有差
  异，可能特征中的大多数值都一样，甚至整个特征的取值都相同，那这个特征对于样本区分没有什么作用。所以无
  论接下来的特征工程要做什么，都要优先消除方差为0的特征。VarianceThreshold有重要参数threshold，表示方
  差的阈值，表示舍弃所有方差小于threshold的特征，不填默认为0，即删除所有的记录都相同的特征

from sklearn.feature_selection import VarianceThreshold

d:\python3.7\lib\site-packages\sklearn\utils\deprecation.py:144: FutureWarning: The sklearn.feature_selection.variance_threshold module is  deprecated in version 0.22 and will be removed in version 0.24. The corresponding classes / functions should instead be imported from sklearn.feature_selection. Anything that cannot be imported from sklearn.feature_selection is now part of the private API.
  warnings.warn(message, FutureWarning)

selector=VarianceThreshold()
x_var0=selector.fit_transform(x)
x_var0.shape

(42000, 708)

x_fsvar=VarianceThreshold(np.median(x.var().values)).fit_transform(x)

np.median(x.var().values)

1352.2867031801309

x_fsvar.shape
import time

a=time.time()
reshult1=cross_val_score(rfc(n_estimators=10,random_state=23),x,y,cv=10).mean()
b=time.time()
print(b-a)

24.49618887901306

reshult1

0.9403095238095238

a
reshult2=cross_val_score(rfc(n_estimators=10,random_state=23),x_fsvar,y,cv=10).mean()
b
print(b-a)

reshult2

0.9412142857142858

3.2相关性过滤

• 在sklearn当中，我们有三种常用的方法来评判特征与标签之间的相关性：卡方，F检验，互信息

卡方过滤

• 卡方过滤是专门针对离散型标签（即分类问题）的相关性过滤。卡方检验类feature_selection.chi2计算每个非负
  特征和标签之间的卡方统计量，并依照卡方统计量由高到低为特征排名。再结合feature_selection.SelectKBest
  这个可以输入”评分标准“来选出前K个分数最高的特征的类，我们可以借此除去最可能独立于标签，与我们分类目
  的无关的特征。
  另外，如果卡方检验检测到某个特征中所有的值都相同，会提示我们使用方差先进行方差过滤。并且，刚才我们已
  经验证过，当我们使用方差过滤筛选掉一半的特征后，模型的表现时提升的。因此在这里，我们使用threshold=中
  位数时完成的方差过滤的数据来做卡方检验（如果方差过滤后模型的表现反而降低了，那我们就不会使用方差过滤
  后的数据，而是使用原数据）：

from sklearn.feature_selection import SelectKBest,chi2

x_fschi=SelectKBest(chi2,k=300).fit_transform(x_fsvar,y)
x_fschi.shape

(42000, 300)

cross_val_score(rfc(n_estimators=10,random_state=23),x_fschi,y,cv=10).mean()

0.9359523809523809

• 可以看出，模型的效果降低了，这说明我们在设定k=300的时候删除了与模型相关且有效的特征，我们的K值设置
  得太小，要么我们需要调整K值，要么我们必须放弃相关性过滤。当然，如果模型的表现提升，则说明我们的相关
  性过滤是有效的，是过滤掉了模型的噪音的，这时候我们就保留相关性过滤的结果

### 3.2.1 选取超参数k
import matplotlib.pyplot as plt

score=[]
for i in range(350,200,-10):
    x_fschi=SelectKBest(chi2,k=i).fit_transform(x_fsvar,y)
    once = cross_val_score(rfc(n_estimators=10,random_state=0),x_fschi,y,cv=5).mean()
    score.append(once)

• 通过这条曲线，我们可以观察到，随着K值的不断增加，模型的表现不断上升，这说明，K越大越好，数据中所有的
  特征都是与标签相关的。但是运行这条曲线的时间同样也是非常地长，接下来我们就来介绍一种更好的选择k的方
  法：看p值选择k。

• 卡方检验的本质是推测两组数据之间的差异，其检验的原假设是”两组数据是相互独立的”。卡方检验返回卡方值和
  P值两个统计量，其中卡方值很难界定有效的范围，而p值，我们一般使用0.01或0.05作为显著性水平，即p值判断
  的边界，具体我们可以这样来看从特征工程的角度，我们希望选取卡方值很大，p值小于0.05的特征，即和标签是相关联的特征。而调用
  SelectKBest之前，我们可以直接从chi2实例化后的模型中获得各个特征所对应的卡方值和P值

score

[0.9386428571428571,
 0.9380714285714287,
 0.9384047619047617,
 0.9343809523809524,
 0.9351428571428573,
 0.9344761904761905,
 0.933642857142857,
 0.9325714285714286,
 0.9305,
 0.9288095238095238,
 0.9287142857142857,
 0.9245238095238095,
 0.9235714285714286,
 0.9207142857142857,
 0.9193571428571428]

plt.plot(range(350,200,-10),score)

[<matplotlib.lines.Line2D at 0x1f13d4d55c8>]

• 通过这条曲线，我们可以观察到，随着K值的不断增加，模型的表现不断上升，这说明，K越大越好，数据中所有的
  特征都是与标签相关的。但是运行这条曲线的时间同样也是非常地长，接下来我们就来介绍一种更好的选择k的方
  法：看p值选择k。
• 卡方检验的本质是推测两组数据之间的差异，其检验的原假设是”两组数据是相互独立的”。卡方检验返回卡方值和
  P值两个统计量，其中卡方值很难界定有效的范围，而p值，我们一般使用0.01或0.05作为显著性水平，即p值判断
  的边界，具体我们可以这样来看
  -从特征工程的角度，我们希望选取卡方值很大，p值小于0.05的特征，即和标签是相关联的特征。而调用
  SelectKBest之前，我们可以直接从chi2实例化后的模型中获得各个特征所对应的卡方值和P值。

chivalue,pavalue_chi=chi2(x_fschi,y)

chivalue.shape

(210,)

pavalue_chi

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
       0., 0., 0., 0., 0., 0.])

k=chivalue.shape[0]-(pavalue_chi>0.05).sum()

k

210

X_fschi = SelectKBest(chi2, k=210).fit_transform(x_fsvar, y)

cross_val_score(rfc(n_estimators=10,random_state=0),X_fschi,y,cv=5).mean()

0.9193571428571428

• 可以观察到，所有特征的p值都是0，这说明对于digit recognizor这个数据集来说，方差验证已经把所有和标签无
  关的特征都剔除了，或者这个数据集本身就不含与标签无关的特征。在这种情况下，舍弃任何一个特征，都会舍弃
  对模型有用的信息，而使模型表现下降，因此在我们对计算速度感到满意时，我们不需要使用相关性过滤来过滤我
  们的数据。

3.2 F检验