From:http://blog.sina.com.cn/s/blog_6a90ae320101a5h8.html
sklearn.feature_selection模块的作用是featureselection,而不是feature extraction。
sklearn.feature_selection模块的作用是featureselection,而不是feature extraction。
Univariate featureselection:单变量的特征选择
单变量特征选择的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指标重要。剔除那些不重要的指标。
sklearn.feature_selection模块中主要有以下几个方法:
SelectKBest和SelectPercentile比较相似,前者选择排名排在前n个的变量,后者选择排名排在前n%的变量。而他们通过什么指标来给变量排名呢?这需要二外的指定。
对于regression问题,可以使用f_regression指标。对于classification问题,可以使用chi2或者f_classif变量。
使用的例子:
from sklearn.feature_selectionimport SelectPercentile, f_classif
selector =SelectPercentile(f_classif, percentile=10)
还有其他的几个方法,似乎是使用其他的统计指标来选择变量:using commonunivariate statistical tests for each feature: false positive rateSelectFpr, false discovery rate SelectFdr, or family wise errorSelectFwe.
文档中说,如果是使用稀疏矩阵,只有chi2指标可用,其他的都必须转变成densematrix。但是我实际使用中发现
f_classif也是可以使用稀疏矩阵的。
Recursive featureelimination:循环特征选择
不单独的检验某个变量的价值,而是将其聚集在一起检验。它的基本思想是,对于一个数量为d的feature的集合,他的所有的子集的个数是2的d次方减1(包含空集)。指定一个外部的学习算法,比如SVM之类的。通过该算法计算所有子集的validationerror。选择error最小的那个子集作为所挑选的特征。
这个算法相当的暴力啊。由以下两个方法实现:sklearn.feature_selection.RFE,sklearn.feature_selection.RFECV
L1-based featureselection:
该思路的原理是:在linearregression模型中,有的时候会得到sparsesolution。意思是说很多变量前面的系数都等于0或者接近于0。这说明这些变量不重要,那么可以将这些变量去除。
Tree-based featureselection:决策树特征选择
基于决策树算法做出特征选择