7000?字精華總結(jié)，Pandas/Sklearn?進(jìn)行機(jī)器學(xué)習(xí)之特征篩選，有效提升模型性能
[導(dǎo)讀]作者|俊欣來源|關(guān)于數(shù)據(jù)分析與可視化今天小編來說說如何通過pandas以及sklearn這兩個模塊來對數(shù)據(jù)集進(jìn)行特征篩選，畢竟有時候我們拿到手的數(shù)據(jù)集是非常龐大的，有著非常多的特征，減少這些特征的數(shù)量會帶來許多的好處，例如提高預(yù)測的精準(zhǔn)度降低過擬合的風(fēng)險加快模型的訓(xùn)練速度增加模型...
作者 | 俊欣來源 | 關(guān)于數(shù)據(jù)分析與可視化今天小編來說說如何通過
pandas以及sklearn這兩個模塊來對數(shù)據(jù)集進(jìn)行特征篩選，畢竟有時候我們拿到手的數(shù)據(jù)集是非常龐大的，有著非常多的特征，減少這些特征的數(shù)量會帶來許多的好處，例如
-
提高預(yù)測的精準(zhǔn)度
-
降低過擬合的風(fēng)險
-
加快模型的訓(xùn)練速度
-
增加模型的可解釋性
事實(shí)上，很多時候也并非是特征數(shù)量越多訓(xùn)練出來的模型越好，當(dāng)添加的特征多到一定程度的時候，模型的性能就會下降，從下圖中我們可以看出，
因此我們需要找到哪些特征是最佳的使用特征，當(dāng)然我們這里分連續(xù)型的變量以及離散型的變量來討論，畢竟不同數(shù)據(jù)類型的變量處理的方式不同，我們先來看一下對于連續(xù)型的變量而言，特征選擇到底是怎么來進(jìn)行的。
計算一下各個變量之間的相關(guān)性
我們先導(dǎo)入所需要用到的模塊以及導(dǎo)入數(shù)據(jù)集，并且用pandas模塊來讀取from sklearn.datasets import load_boston
import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
%matplotlib inline
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE
from sklearn.linear_model import RidgeCV, LassoCV, Ridge, Lasso
這次用到的數(shù)據(jù)集是機(jī)器學(xué)習(xí)中尤其是初學(xué)者經(jīng)常碰到的，波士頓房價的數(shù)據(jù)集，其中我們要預(yù)測的這個對象是MEDV這一列x = load_boston()
df = pd.DataFrame(x.data, columns = x.feature_names)
df["MEDV"] = x.target
X = df.drop("MEDV",1) #將模型當(dāng)中要用到的特征變量保留下來
y = df["MEDV"] #最后要預(yù)測的對象
df.head()
output CRIM ZN INDUS CHAS NOX ... TAX PTRATIO B LSTAT MEDV
0 0.00632 18.0 2.31 0.0 0.538 ... 296.0 15.3 396.90 4.98 24.0
1 0.02731 0.0 7.07 0.0 0.469 ... 242.0 17.8 396.90 9.14 21.6
2 0.02729 0.0 7.07 0.0 0.469 ... 242.0 17.8 392.83 4.03 34.7
3 0.03237 0.0 2.18 0.0 0.458 ... 222.0 18.7 394.63 2.94 33.4
4 0.06905 0.0 2.18 0.0 0.458 ... 222.0 18.7 396.90 5.33 36.2
我們可以來看一下特征變量的數(shù)據(jù)類型df.dtypes
outputCRIM float64
ZN float64
INDUS float64
CHAS float64
NOX float64
RM float64
AGE float64
DIS float64
RAD float64
TAX float64
PTRATIO float64
B float64
LSTAT float64
MEDV float64
dtype: object
我們看到都是清一色的連續(xù)型的變量，我們來計算一下自變量和因變量之間的相關(guān)性，通過seaborn模塊當(dāng)中的熱力圖來展示，代碼如下plt.figure(figsize=(10,8))
cor = df.corr()
sns.heatmap(cor, annot=True, cmap=plt.cm.Reds)
plt.show()
相關(guān)系數(shù)的值一般是在-1到1這個區(qū)間內(nèi)波動的
-
相關(guān)系數(shù)要是接近于0意味著變量之間的相關(guān)性并不強(qiáng)
-
接近于-1意味著變量之間呈負(fù)相關(guān)的關(guān)系
-
接近于1意味著變量之間呈正相關(guān)的關(guān)系
我們來看一下對于因變量而言，相關(guān)性比較高的自變量有哪些# 篩選出于因變量之間的相關(guān)性
cor_target = abs(cor["MEDV"])
# 挑選于大于0.5的相關(guān)性系數(shù)
relevant_features = cor_target[cor_target>0.5]
relevant_features
outputRM 0.695360
PTRATIO 0.507787
LSTAT 0.737663
MEDV 1.000000
Name: MEDV, dtype: float64
篩選出3個相關(guān)性比較大的自變量來，然后我們來看一下自變量之間的相關(guān)性如何，要是自變量之間的相關(guān)性非常強(qiáng)的話，我們也只需要保留其中的一個就行，print(df[["LSTAT","PTRATIO"]].corr())
print("=" * 50)
print(df[["RM","LSTAT"]].corr())
print("=" * 50)
print(df[["PTRATIO","RM"]].corr())
output LSTAT PTRATIO
LSTAT 1.000000 0.374044
PTRATIO 0.374044 1.000000
==================================================
RM LSTAT
RM 1.000000 -0.613808
LSTAT -0.613808 1.000000
==================================================
PTRATIO RM
PTRATIO 1.000000 -0.355501
RM -0.355501 1.000000
從上面的結(jié)果中我們可以看到，RM變量和LSTAT這個變量是相關(guān)性是比較高的，我們只需要保留其中一個就可以了，我們選擇保留LSTAT這個變量，因?yàn)樗c因變量之間的相關(guān)性更加高一些
遞歸消除法
我們可以嘗試這么一種策略，我們選擇一個基準(zhǔn)模型，起初將所有的特征變量傳進(jìn)去，我們再確認(rèn)模型性能的同時通過對特征變量的重要性進(jìn)行排序，去掉不重要的特征變量，然后不斷地重復(fù)上面的過程直到達(dá)到所需數(shù)量的要選擇的特征變量。LR= LinearRegression()
# 挑選出7個相關(guān)的變量
rfe_model = RFE(model, 7)
# 交給模型去進(jìn)行擬合
X_rfe = rfe_model.fit_transform(X,y)
LR.fit(X_rfe,y)
# 輸出各個變量是否是相關(guān)的，并且對其進(jìn)行排序
print(rfe_model.support_)
print(rfe_model.ranking_)
output[False False False True True True False True True False True False
True]
[2 4 3 1 1 1 7 1 1 5 1 6 1]
第一行的輸出包含True和False，其中True代表的是相關(guān)的變量對應(yīng)下一行的輸出中的1，而False包含的是不相關(guān)的變量，然后我們需要所需要多少個特征變量，才能夠使得模型的性能達(dá)到最優(yōu)#將13個特征變量都依次遍歷一遍
feature_num_list=np.arange(1,13)
# 定義一個準(zhǔn)確率
high_score=0
# 最優(yōu)需要多少個特征變量
num_of_features=0
score_list =[]
for n in range(len(feature_num_list)):
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 0.3, random_state = 0)
model = LinearRegression()
rfe_model = RFE(model,feature_num_list[n])
X_train_rfe_model = rfe_model.fit_transform(X_train,y_train)
X_test_rfe_model = rfe_model.transform(X_test)
model.fit(X_train_rfe_model,y_train)
score = model.score(X_test_rfe_model,y_test)
score_list.append(score)
if(score>high_score):
high_score = score
num_of_features = feature_num_list[n]
print("最優(yōu)的變量是: %d個" %num_of_features)
print("%d個變量的準(zhǔn)確率為: %f" % (num_of_features, high_score))
output最優(yōu)的變量是: 10個
10個變量的準(zhǔn)確率為: 0.663581
從上面的結(jié)果可以看出10個變量對于整個模型來說是最優(yōu)的，然后我們來看一下到底是哪10個特征變量cols = list(X.columns)
model = LinearRegression()
# 初始化RFE模型，篩選出10個變量
rfe_model = RFE(model, 10)
X_rfe = rfe.fit_transform(X,y)
# 擬合訓(xùn)練模型
model.fit(X_rfe,y)
df = pd.Series(rfe.support_,index = cols)
selected_features = df[df==True].index
print(selected_features)
outputIndex(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'DIS', 'RAD', 'PTRATIO',
'LSTAT'],
dtype='object')
正則化
例如對于Lasso的正則化而言，對于不相關(guān)的特征而言，該算法會讓其相關(guān)系數(shù)變?yōu)?，因此不相關(guān)的特征變量很快就會被排除掉了，只剩下相關(guān)的特征變量lasso = LassoCV()
lasso.fit(X, y)
coef = pd.Series(lasso.coef_, index = X.columns)
然后我們看一下哪些變量的相關(guān)系數(shù)是0print("Lasso算法挑選了 " str(sum(coef != 0)) " 個變量，然后去除掉了" str(sum(coef == 0)) "個變量")
outputLasso算法挑選了10個變量，然后去除掉了3個變量
我們來對計算出來的相關(guān)性系數(shù)排個序并且做一個可視化imp_coef = coef.sort_values()
matplotlib.rcParams['figure.figsize'] = (8, 6)
imp_coef.plot(kind = "barh")
plt.title("Lasso Model Feature Importance")
output可以看到當(dāng)中有3個特征，‘NOX’、'CHAS'、'INDUS'的相關(guān)性為0
根據(jù)缺失值來進(jìn)行判斷
下面我們來看一下如何針對離散型的特征變量來做處理，首先我們可以根據(jù)缺失值的比重來進(jìn)行判斷，要是對于一個離散型的特征變量而言，絕大部分的值都是缺失的，那這個特征變量也就沒有存在的必要了，我們可以針對這個思路在進(jìn)行判斷。首先導(dǎo)入所需要用到的數(shù)據(jù)集train = pd.read_csv("credit_example.csv")
train_labels = train['TARGET']
train = train.drop(columns = ['TARGET'])
我們可以先來計算一下數(shù)據(jù)集當(dāng)中每個特征變量缺失值的比重missing_series = train.isnull().sum() / train.shape[0]
df = pd.DataFrame(missing_series).rename(columns = {'index': '特征變量', 0: '缺失值比重'})
df.sort_values("缺失值比重", ascending = False).head()
output 缺失值比重
COMMONAREA_AVG 0.6953
COMMONAREA_MODE 0.6953
COMMONAREA_MEDI 0.6953
NONLIVINGAPARTMENTS_AVG 0.6945
NONLIVINGAPARTMENTS_MODE 0.6945
我們可以看到缺失值最高的比重將近有70%，我們也可以用可視化的根據(jù)來繪制一下缺失值比重的分布圖plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標(biāo)簽
plt.figure(figsize = (7, 5))
plt.hist(df['缺失值比重'], bins = np.linspace(0, 1, 11), edgecolor = 'k', color = 'blue', linewidth = 2)
plt.xticks(np.linspace(0, 1, 11));
plt.xlabel('缺失值的比重', size = 14);
plt.ylabel('特征變量的數(shù)量', size = 14);
plt.title("缺失值分布圖", size = 14);
output我們可以看到有一部分特征變量，它們?nèi)笔е档谋戎卦?0%以上，有一些還在60%以上，我們可以去除掉當(dāng)中的部分特征變量
計算特征的重要性
在基于樹的眾多模型當(dāng)中，會去計算每個特征變量的重要性，也就是feature_importances_屬性，得出各個特征變量的重要性程度之后再進(jìn)行特征的篩選from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()
# 模型擬合數(shù)據(jù)
clf.fit(X,Y)
feat_importances = pd.Series(clf.feature_importances_, index=X.columns)
# 篩選出特征的重要性程度最大的10個特征
feat_importances.nlargest(10)
我們同時也可以對特征的重要性程度進(jìn)行可視化，feat_importances.nlargest(10).plot(kind='barh', figsize = (8, 6))
output除了隨機(jī)森林之外，基于樹的算法模型還有很多，如LightGBM、XGBoost等等，大家也都可以通過對特征重要性的計算來進(jìn)行特征的篩選
Select_K_Best算法
在Sklearn模塊當(dāng)中還提供了SelectKBest的API，針對回歸問題或者是分類問題，我們挑選合適的模型評估指標(biāo)，然后設(shè)定K值也就是既定的特征變量的數(shù)量，進(jìn)行特征的篩選。假定我們要處理的是分類問題的特征篩選，我們用到的是iris數(shù)據(jù)集iris_data = load_iris()
x = iris_data.data
y = iris_data.target
print("數(shù)據(jù)集的行與列的數(shù)量: ", x.shape)
output數(shù)據(jù)集的行與列的數(shù)量: (150, 4)
對于分類問題，我們采用的評估指標(biāo)是卡方，假設(shè)我們要挑選出3個對于模型最佳性能而言的特征變量，因此我們將K設(shè)置成3select = SelectKBest(score_func=chi2, k=3)
# 擬合數(shù)據(jù)
z = select.fit_transform(x,y)
filter_1 = select.get_support()
features = array(iris.feature_names)
print("所有的特征: ", features)
print("篩選出來最優(yōu)的特征是: ", features[filter_1])
output所有的特征: ['sepal length (cm)' 'sepal width (cm)' 'petal length (cm)'
'petal width (cm)']
篩選出來最優(yōu)的特征是: ['sepal length (cm)' 'petal length (cm)' 'petal width (cm)']
那么對于回歸的問題而言，我們可以選擇上面波士頓房價的例子，同理我們想要篩選出對于模型最佳的性能而言的7個特征變量，同時對于回歸問題的評估指標(biāo)用的是f_regressionboston_data = load_boston()
x = boston_data.data
y = boston_data.target
然后我們將擬合數(shù)據(jù)，并且進(jìn)行特征變量的篩選select_regression = SelectKBest(score_func=f_regression, k=7)
z = select_regression.fit_transform(x, y)
filter_2 = select_regression.get_support()
features_regression = array(boston_data.feature_names)
print("所有的特征變量有:")
print(features_regression)
print("篩選出來的7個特征變量則是:")
print(features_regression[filter_2])
output
-
-
-
-
-
所有的特征變量有:['CRIM' 'ZN' 'INDUS' 'CHAS' 'NOX' 'RM' 'AGE' 'DIS' 'RAD' 'TAX' 'PTRATIO' 'B' 'LSTAT']篩選出來的7個特征變量則是:['CRIM' 'INDUS' 'NOX' 'RM' 'TAX' 'PTRATIO' 'LSTAT']
下載文檔本站聲明： 本文章由作者或相關(guān)機(jī)構(gòu)授權(quán)發(fā)布，目的在于傳遞更多信息，并不代表本站贊同其觀點(diǎn)，本站亦不保證或承諾內(nèi)容真實(shí)性等。需要轉(zhuǎn)載請聯(lián)系該專欄作者，如若文章內(nèi)容侵犯您的權(quán)益，請及時聯(lián)系本站刪除。
換一批
延伸閱讀
“云原生”一詞最初來自Matt Stine在2013年寫的一本書——《Migrating to Cloud-Native Application Architectures》，書名中的Cloud-Native即是“云原生...
關(guān)鍵字： 云原生 AWS 云計算 人工智能 機(jī)器學(xué)習(xí)（全球TMT2022年10月17日訊）日前，德勤中國旗下德勤管理咨詢中國數(shù)據(jù)科學(xué)卓越中心所出品的"機(jī)器學(xué)習(xí)推薦算法"論文被第十三屆IEEE 知識圖譜國際會議（簡稱"ICKG"）收錄。ICKG是知識圖譜研究領(lǐng)域的國際權(quán)威...
關(guān)鍵字： 機(jī)器學(xué)習(xí) IC CK MULTI上海2022年10月17日 /美通社/ -- 日前，德勤中國迎來喜訊：旗下德勤管理咨詢中國數(shù)據(jù)科學(xué)卓越中心所出品的"機(jī)器學(xué)習(xí)推薦算法"論文被第十三屆IEEE 知識圖譜國際會議（以下簡稱"IC...
關(guān)鍵字： 機(jī)器學(xué)習(xí) IC CK FM在這篇文章中，小編將對大數(shù)據(jù)的相關(guān)內(nèi)容和情況加以介紹以幫助大家增進(jìn)對它的了解程度，和小編一起來閱讀以下內(nèi)容吧。
關(guān)鍵字： 大數(shù)據(jù) Hadoop 機(jī)器學(xué)習(xí)一直以來，機(jī)器學(xué)習(xí)都是大家的關(guān)注焦點(diǎn)之一。因此針對大家的興趣點(diǎn)所在，小編將為大家?guī)頇C(jī)器學(xué)習(xí)的相關(guān)介紹，詳細(xì)內(nèi)容請看下文。
關(guān)鍵字： 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 數(shù)據(jù)挖掘在下述的內(nèi)容中，小編將會對機(jī)器學(xué)習(xí)的相關(guān)消息予以報道，如果機(jī)器學(xué)習(xí)是您想要了解的焦點(diǎn)之一，不妨和小編共同閱讀這篇文章哦。
關(guān)鍵字： 機(jī)器學(xué)習(xí) 監(jiān)督學(xué)習(xí) 特征選擇以下內(nèi)容中，小編將對機(jī)器學(xué)習(xí)的相關(guān)內(nèi)容進(jìn)行著重介紹和闡述，希望本文能幫您增進(jìn)對機(jī)器學(xué)習(xí)的了解，和小編一起來看看吧。
關(guān)鍵字： 機(jī)器學(xué)習(xí) 特征工程 監(jiān)督學(xué)習(xí)
廠商專欄
熱門文章
- 說到DC/DC拓?fù)?，不懂SEPIC電路可不行！
- 細(xì)說Buck降壓電路，同步和非同步的波形長啥樣？
- 中國首款6nm自研國產(chǎn)GPU成功點(diǎn)亮 性能引老外質(zhì)疑
- 新品!米爾NXP i.MX 91核心板開發(fā)板，賦能新一代入門級Linux應(yīng)用
- 英飛凌推出全新緊湊型CoolSET?封裝系統(tǒng)（SiP），可在寬輸入電壓范圍內(nèi)提供最高60 W高效功率輸出
- Bourns 全新擴(kuò)展 PDB241-GTR 系列吉他電位器
- 業(yè)內(nèi)首款Nano2 415 SMD保險絲，277V條件下額定分?jǐn)嚯娏鳛?500A
- 預(yù)計4年增長30億設(shè)備！藍(lán)牙開啟狂飆
- 玄戒O1發(fā)布前小米手機(jī)芯片供應(yīng)情況：聯(lián)發(fā)科與高通“唱主角”，紫光展銳占2%
- 黃仁勛批美對中芯片管制：NVIDIA中國市占率從9成降到5成
編輯精選
更多
論壇活動
技術(shù)子站
更多
資料下載
- 多物理量傳感器（壓力·位移·速度·傾角）自動化測試解決方案
- W5500中文版數(shù)據(jù)手冊V1.3免費(fèi)下載
- Microchip TCP/IP 協(xié)議棧 v5.10
- LabVIEW 入門指南
- Multisim仿真案例 模擬電路仿真例子
- 電磁兼容培訓(xùn)教材電磁兼容培訓(xùn)教材
- 步進(jìn)電機(jī)驅(qū)動TMC2130 cubeIDE 項目
- UART 驅(qū)動示例
- FPGA實(shí)現(xiàn)的NFC讀卡器
- 基于STC15F2K60S2單片機(jī)- DS18B20溫度傳感器 - 串口調(diào)試助手顯示實(shí)驗(yàn)例程KEI
更多
技術(shù)學(xué)院
- TrendForce集邦咨詢: 2Q25 DRAM營收季增17.1%，SK海力士市占擴(kuò)大
- TrendForce集邦咨詢: 2Q25晶圓代工營收季增14.6%創(chuàng)新高，臺積電市占達(dá)70%
- TrendForce集邦咨詢: 2025年第二季NAND Flash營收季增逾20%，SK Group市占躍升至21%
- TrendForce集邦咨詢：NVIDIA Jetson Thor聚焦人形機(jī)器人高階應(yīng)用，推升芯片市場規(guī)模有望于2028年達(dá)4,800萬美元以上
- TrendForce: AI數(shù)據(jù)中心將規(guī)?；瘜?dǎo)入液冷散熱技術(shù)，預(yù)估2025年滲透率逾30%
- 深入解析鋰電池的充電電路
- 一文PCB布局布線規(guī)則匯總
- 一文搞懂嵌入式開發(fā)中模塊化設(shè)計的原理
