数据预处理与特征工程（四）---- 特征选择---手写数字

数据预处理与特征工程（四）---- 特征选择—手写数字

​ 相关数据集均放置在本人的csdn文件中，如有需要，可免费下载。内容来自老师上课的课件。侵删…

特征选择—手写数字

基本概念

特征提取 (feature extraction)：从文字，图像，声音等其他非结构化数据中提取新信息作为特征。比如说，从淘宝宝贝的名称中提取出产品类别，产品颜色，是否是网红产品等等。

特征创造 (feature creation)：把现有特征进行组合，或互相计算，得到新的特征。比如说，我们有一列特征是速度，一列特征是距离，我们就可以通过让两列相处，创造新的特征：通过距离所花的时间。

特征选择 (feature selection)：从所有的特征中，选择出有意义，对模型有帮助的特征，以避免必须将所有特征都导入模型去训练的情况。

我们有四种方法可以用来选择特征：过滤法，嵌入法，包装法，和降维算法

降维算法会在后面单独介绍，这里暂且不提。

选择特征的方法：

过滤法：

Filter过滤法：过滤方法通常用作预处理步骤，特征选择完全独立于任何机器学习算法。它是根据各种统计检验中的分数以及相关性的各项指标来选择特征。

方差过滤（importmant）

采用方差过滤VarianceThreshold的方法进行特征选择：设定一个让特征总数减半的方差阈值，只要找到特征方差的中位数，再将这个中位数作为参数threshold的值输入。并用交叉验证随机森林来进行评分。这是通过特征本身的方差来筛选特征的类。比如一个特征本身的方差很小，就表示样本在这个特征上基本没有差异，可能特征中的大多数值都一样，甚至整个特征的取值都相同，那这个特征对于样本区分没有什么作用。所以无论接下来的特征工程要做什么，都要优先消除方差为0的特征。VarianceThreshold有重要参数threshold，表示方差的阈值，表示舍弃所有方差小于threshold的特征，不填默认为0，即删除所有的记录都相同的特征。

相关性过滤之卡方过滤（impormant）

卡方过滤是专门针对离散型标签（即分类问题）的相关性过滤。卡方检验类feature_selection.chi2计算每个非负特征和标签之间的卡方统计量࿰