【机器学习基础】机器学习中必知必会的 3 种特征选取方法！

随着深度学习的蓬勃发展，越来越多的小伙伴开始尝试搭建深层神经网络应用于工作场景中，认为只需要把数据放入模型中，调优模型参数就可以让模型利用自身机制来选择重要特征，输出较好的数据结果。

在现实工作场景中，受限制数据和时间，这样的做法其实并不可取，一方面大量数据输入将导致模型训练周期增长，另一方面在当前细分市场中，并非所有场景都有海量数据，寻找海量数据中的重要特征迫在眉睫。

本文我将教你三个选择特征的方法，这是任何想从事数据科学领域的都应该知道。本文的结构如下：

• 数据集加载和准备

• 方法1:从系数获取特征重要性

• 方法2:从树模型获取特征重要性

• 方法3:从 PCA 分数中获取特征重要性

• 结论

数据集加载和准备

为了方便介绍，我这里使用"load_breast_cancer"数据集，该数据内置于 Scikit-Learn 中。

以下代码段演示如何导入库和加载数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_breast_cancer
import matplotlib.pyplot as plt
from matplotlib import rcParams
rcParams['figure.figsize'] = 14, 7
rcParams['axes.spines.top'] = False
rcParams['axes.spines.right'] = False
# Load data
data = load_breast_cancer()

调用以下代码，输出结果。

df = pd.concat([pd.DataFrame(data.data, columns=data.feature_names),pd.DataFrame(data.target, columns=['y'])], axis=1)
df.head()

上述数据中有 30 个特征变量和一个目标变量。所有值都是数值，并且没有缺失的值。在解决缩放问题之前，还需要执行训练、测试拆分。

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
X = df.drop('y', axis=1)
y = df['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
ss = StandardScaler()
X_train_scaled = ss.fit_transform(X_train)
X_test_scaled = ss.transform(X_test)

方法1:从系数获取特征重要性

检查特征重要性的最简单方法是检查模型的系数。例如，线性回归和逻辑回归都归结为一个方程，其中将系数(重要性)分配给每个输入值。

简单地说，如果分配的系数是一个大(负或正)数字，它会对预测产生一些影响。相反，如果系数为零，则对预测没有任何影响。

逻辑非常简单，让我们来测试一下，逻辑回归是一种合适的算法。拟合模型后，系数将存储在属性中coef_。

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
    'Attribute': X_train.columns,
    'Importance': model.coef_[0]
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可视化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()

下面是相应的可视化效果：该方法最大特点：「简单」、「高效」。系数越大(在正方向和负方向)，越影响预测效果。

方法2:从树模型获取重要性

训练任何树模型后，你都可以访问 feature_importances 属性。这是获取功特征重要性的最快方法之一。

以下代码演示如何导入模型并在训练数据上拟合模型，以及重要性的获取：

from xgboost import XGBClassifier

model = XGBClassifier()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
    'Attribute': X_train.columns,
    'Importance': model.feature_importances_
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可视化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()

相应的可视化效果如下所示：

方法3:从 PCA 分数获取特征重要性

主成分分析(PCA)是一种出色的降维技术，也可用于确定特征的重要性。

PCA 不会像前两种技术那样直接显示最重要的功能。相反，它将返回 N 个主组件，其中 N 等于原始特征的数量。

from sklearn.decomposition import PCA
pca = PCA().fit(X_train_scaled)
# 可视化
plt.plot(pca.explained_variance_ratio_.cumsum(), lw=3, color='#087E8B')
plt.title('Cumulative explained variance by number of principal components', size=20)
plt.show()

但这是什么意思呢？这意味着你可以使用前五个主要组件解释源数据集中 90%的方差。同样，如果你不知道这意味着什么，继续往下看。

loadings = pd.DataFrame(
    data=pca.components_.T * np.sqrt(pca.explained_variance_), 
    columns=[f'PC{i}' for i in range(1, len(X_train.columns) + 1)],
    index=X_train.columns
)
loadings.head()

第一个主要组成部分至关重要。它只是一个要素，但它解释了数据集中超过 60% 的方差。从上图中可以看到，它与平均半径特征之间的相关系数接近 0.8，这被认为是强正相关。

让我们可视化所有输入要素与第一个主组件之间的相关性。下面是整个代码段（包括可视化）：

pc1_loadings = loadings.sort_values(by='PC1', ascending=False)[['PC1']]
pc1_loadings = pc1_loadings.reset_index()
pc1_loadings.columns = ['Attribute', 'CorrelationWithPC1']

plt.bar(x=pc1_loadings['Attribute'], height=pc1_loadings['CorrelationWithPC1'], color='#087E8B')
plt.title('PCA loading scores (first principal component)', size=20)
plt.xticks(rotation='vertical')
plt.show()

这就是如何"破解"PCA，使用它作为特征重要性的方法。

结论

上述总结来 3 个机器学习特征重要性的方法，这三个可根据场景灵活运用。

往期精彩回顾



适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑
本站qq群851320808，加入微信群请扫码：