特征工程中常用技术所涉及到的方法——特征选择、降维和不平衡数据处理

 

目录

文章目录

前言

一、特征选择

二、降维

常见降维方法

三、不均衡数据处理

总结

---

前言

随着信息时代数据量的快速增加，一门通过对大量数据进行分析，以发现和提取隐含在其中的具有价值的信息和知识的学科——数据挖掘发展起来。

---

提示：以下是本篇文章正文内容，主要介绍特征工程中常用技术所涉及到的方法，特征选择、降维和不平衡数据处理

一、特征选择

概念：特征选择是从原始特征中挑选出一组最有代表性、分类性能好的特征子集。

作用：特征选择可以降低维数灾难出现的可能；去除不相关特征，降低学习难度。

原则：

1、特征是否发散：如果不发散，说明特征对样本的区分作用不高

2、特征之间的相关性：去除相关性高的特征

3、特征与目标的相关性：优先选择相关性高的特征

常用方法：

1、特征减少(机器学习的剪枝？)

• 单变量特征选择方法：filter（过滤法）

1. 方差选择法

2. 相关系数法

3. 卡方检验（这个不太理解，显著性水平p？）

• 基于模型的特征选择方法：

1. Wrapper（包装法）：确定算法模型后，把模型本身的性能作为评价准则。需要结合后续的机器学习算法，选择出使性能最优的特征子集。根据目标函数，每次选择或排除部分特征。常用递归特征消除法(Recursive  Feature  Elimination,  REF)
2. Embedded（嵌入法）

 在sklearn中，用SelectFromModel来选择特征，常用嵌入法技术有：

2.1 基于线性回归模型方法

2.2 基于L1的正则化方法（容易获得稀疏数据）

2.3 基于随机森林的嵌入方法

#基于惩罚项的特征选择法
from sklearn.feature_selection import SelectFromModel
from sklearn.linear_model import LogisticRegression
#带L1惩罚项的逻辑回归作为基模型的特征选择
SelectFromModel(LogisticRegression(penalty='l1',C=0.1)).fit_transform(iris.data,iris.target)
#通过加入penalty，将许多系数压缩至0以实现特征筛选

 

#基于树模型的特征选择法
#树模型中的GBDT也可用来作为基模型
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import GradientBoostingClassifier
SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data,iris.target)

 

2、特征扩增

• 在原有特征上构造新的特征

二、降维

常见降维方法

1. SVD——奇异值分解
2. PCA——主成分分析
3. LDA——线性判别分析（用到Fisher的思想，类内散度最小，类间散度最大）
4. LLE——局部线性嵌入(Locally Linear Enbedding)。LLE在降维时保持样本局部的线性特性，广泛用于图像识别、高维数据可视化

三、不均衡数据处理

如果存在分类数据不均衡，要先考虑背景和适用场景，再选择是否进行处理。不均衡数据处理的方法有：

1. 重新采样数据（python中SMOTH算法）：欠采样适用于大数据集、过采样适用于小数据集
2. K-fold交叉验证
3. 一分类：样本分布及其不平衡时，可以转换成异常检测问题或一分类问题，典型运用one class SVM
4. 组合不同的重采样数据

---

总结

以上就是今天记录的内容，刚刚大二，涉及到的很多算法和数学理论还不了解，希望暑假有时间补充。所以仅仅简单介绍了常见的特征工程方法，结合上篇数据预处理均为整体数据挖掘项目的基础。

最后，，

 

---