模型特征选择

  RF、GBDT、XGboost都可以做特征选择，属于特征选择中的嵌入式方法。比如在sklearn中，可以用属性feature_importances_去查看特征的重要度, 比如：

   
   

     
     

      
      

     
     
     
     

      
      

       
       from sklearn 
       
       import ensemble
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       #grd = ensemble.GradientBoostingClassifier(n_estimators=30)
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       grd = ensemble.RandomForestClassifier(n_estimators=
       
       30)
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       grd.fit(X_train,y_train)
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       grd.feature_importances_
      
      
     
     
   
   

  但是这三个分类器是如何计算出特征的重要度呢？下面来分别的说明一下。

1. 随机森林（Random Forest）

    用袋外数据 (OOB) 做预测。随机森林在每次重抽样建立决策树时，都会有一些样本没有被选中，那么就可以用这些样本去做交叉验证，这也是随机森林的优点之一。它可以不用做交叉验证，直接用oob _score_去对模型性能进行评估。

    具体的方法就是：

        1. 对于每一棵决策树，用OOB 计算袋外数据误差，记为 errOOB1；

        2. 然后随机对OOB所有样本的特征i加入噪声干扰，再次计算袋外数据误差，记为errOOB2；

        3. 假设有N棵树，特征i的重要性为sum(errOOB2-errOOB1)/N;

    如果加入随机噪声后，袋外数据准确率大幅下降，说明这个特征对预测结果有很大的影响，进而说明它的重要程度比较高

2. 梯度提升树（GBDT）

    主要是通过计算特征i在单棵树中重要度的平均值，计算公式如下：

其中，M是树的数量。特征i在单棵树的重要度主要是通过计算按这个特征i分裂之后损失的减少值

其中，L是叶子节点的数量，L-1就是非叶子结点的数量。

3. XGboost

    XGboost是通过该特征每棵树中分裂次数的和去计算的，比如这个特征在第一棵树分裂1次，第二棵树2次……，那么这个特征的得分就是(1+2+...)。