转博客:http://www.cnblogs.com/jasonfreak/p/5448385.html
什么是特征工程
** 最大限度从原始数据中提取特征义工算法和模型使用**
数据预处理
# 导入数据
from sklearn.datasets import load_iris
iris = load_iris()
iris.data
iris.target
特征问题
- 不属于同一量纲
- 消息冗余
- 定性特征不能直接使用
- 存在缺失值
- 消息利用率低
无量纲化(将不同规格转换同一规格)
标准化
x ′ = x − X ‾ S x ^ { \prime } = \frac { x - \overline { X } } { S } x′=Sx−X
from sklearn.preprocessing import StandardScaler
StandardScaler().fit_transform(iris.data)
区间缩放法
x ′ = x − M i n Max − Min x ^ { \prime } = \frac { x - M i n } { \operatorname { Max } - \operatorname { Min } } x′=Max−Minx−Min
from sklearn.preprocessing import MinMaxScaler
MinMaxScaler().fit_transform(iris.data)
单位向量(归一化)
x ′ = x ∑ j m x [ j ] 2 x ^ { \prime } = \frac { x } { \sqrt { \sum _ { j } ^ { m } x [ j ] ^ { 2 } } } x′=∑jmx[j]2x
from sklearn.preprocessing import Normalizer
Normalizer().fit_transform(iris.data)
对定量特征二值化
设定一个阈值,大于阈值赋值为1,小于为0
x
′
=
{
1
,
x
>
threshold
0
,
x
≤
threshold
x ^ { \prime } = \left\{ \begin{array} { l } { 1 , x > \text { threshold } } \\ { 0 , x \leq \text { threshold } } \end{array} \right.
x′={1,x> threshold 0,x≤ threshold
from sklearn.preprocessing import Binarizer
Binarizer(threshold = 3).fit_transform(iris.data)
对定性特征哑编码
在机器学习中,特征经常不是数值型的而是分类型的。举个例子,一个人可能有 [“male”, “female”] , [“from Europe”, “from US”, “from Asia”] , [“uses Firefox”, “uses Chrome”, “uses Safari”, “uses Internet Explorer”] 等分类的特征。这些特征能够被有效地编码成整数,比如 [“male”, “from US”, “uses Internet Explorer”] 可以被表示为 [0, 1, 3] , [“female”, “from Asia”, “uses Chrome”] 表示为 [1, 2, 1] 。
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
enc.transform([[1, 2, 1]]).toarray()
array([[ 0., 1., 0., 0., 1., 0., 1., 0., 0.]])
缺失值计算
import numpy as np
from sklearn.preprocessing import Imputer
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
imp.fit([[1, 2], [np.nan, 3], [7, 6]])
X = [[np.nan, 2], [6, np.nan], [7, 6]]
print(imp.transform(X))
[[ 4. 2. ]
[ 6. 3.66666667]
[ 7. 6. ]]
数据变换
X X X 从 ( X 1 , X 2 ) \left( X _ { 1 } , X _ { 2 } \right) (X1,X2) 转换成 ( 1 , X 1 , X 2 , X 1 2 , X 1 X 2 , X 2 2 ) \left( 1 , X _ { 1 } , X _ { 2 } , X _ { 1 } ^ { 2 } , X _ { 1 } X _ { 2 } , X _ { 2 } ^ { 2 } \right) (1,X1,X2,X12,X1X2,X22)
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
X = np.arange(6).reshape(3, 2)
X
array([[0, 1],
[2, 3],
[4, 5]])
poly = PolynomialFeatures(degree=3, interaction_only=True)
poly.fit_transform(X)
array([[ 1., 0., 1., 0.],
[ 1., 2., 3., 6.],
[ 1., 4., 5., 20.]])
特征选择
两方面考虑特征
- 特征是否发散
- 特征与目标的相关性
Filter
- 方差选择法
- 相关系数法
- 卡方检验
- 互信息法
from sklearn.feature_selection import VarianceThreshold
VarianceThreshold(threshold=3).fit_transform(iris.data)
Wrapper
- 递归特征消除法
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
#递归特征消除法,返回特征选择后的数据
#参数estimator为基模型
#参数n_features_to_select为选择的特征个数
RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)
Embedded
降维
主成分分析法(PCA)
from sklearn.decomposition import PCA
PCA(n_components=2).fit_transform(iris.data)
线性判别分析法(LDA)
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
LinearDiscriminantAnalysis(n_components=2).fit_transform(iris.data, iris.target)