机器学习之数据降维

数据降维：减少特征数量

一、特征选择

1、特征选择原因

• 冗余：部分特征相关度高，容易消耗计算性能
• 噪声：部分特征对预测结果由影响

2、特征选择是什么

特征选择就是单纯地从提取到地所有特征中选择部分特征作为训练集特征
主要方法：
Filter（过滤式）：VarianceThreshold（方差）
Embedded（嵌入式）：正则化、决策树
Wrapper（包裹式）

---

Filter（过滤式）
方差大小：考虑所有样本这个特征的数据情况

sklearn.feature_selection.Variancethreshold
Variancethreshold(threshold=0.0)删除所有低方差特征
Variance.fit_transform(X)

In [1]: from sklearn.feature_selection import VarianceThreshold
	var = VarianceThreshold(threshold=0.0)
	data = var.fit_transform([[0,2,0,3],[0,1,4,3],[0,1,1,3]])
	data
Out [1]:array([[2, 0],
     	       [1, 4],
               [1, 1]])

二、主成分分析

1、PCA是什么

• PCA：特征数量达到上百的时候——考虑数据的简化
• 本质：PCA是一种分析、简化数据集的技术
• 目的：是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息
• 作用：可以削减回归分析或者聚类分析中特征的数量

2、PCA语法

• PCA(n_components=None)

将数据分解为较低维数空间
n_components：小数（降维后保留数据的百分之几）、整数（降维后的维数）

• PCA.fit_transform(X)

X：numpy array格式的数据[n_samples，n_features]
返回值：转换后指定维度的array

In [2]:from sklearn.decomposition import PCA
In [3]:pca = PCA(n_components=0.9)
	data = pca.fit_transform([[2,8,4,5],[6,3,0,8],[5,4,9,1]])
	data
Out [3]:array([[ 1.28620952e-15,  3.82970843e+00],
       	       [ 5.74456265e+00, -1.91485422e+00],
               [-5.74456265e+00, -1.91485422e+00]])	

三、降维案例

https://www.kaggle.com/c/instacart-market-basket-analysis/data
1、合并表
pd.merge(prior, products, on=[‘prodict_id’,‘product_id’])
2、建立一个类似行，列数据（交叉表——特殊分组表）
cross = pd.crosstab(mt[user_id], mt[‘aisle’])
3、进行主成分分析
pca = PCA(n_components=0.9)
data = pca.fit_transform(cross)