【机器学习竞赛+笔记干货】工业蒸汽量预测：特征工程篇（三）

本文链接：https://blog.csdn.net/u202113837/article/details/134432901

文章目录

3 特征工程

3 特征工程

3.1 特征工程的重要性和处理

就是从原始数据提取特征的过程，这些特征可以很好的描述数据，并且利用特征建立的模型在未知数据上的性能表现可以达到最优（或者接近最佳性能）。
在这里插入图片描述

3.2 数据预处理和特征处理

3.2.1 数据预处理

1. 数据采集

哪些数据对最后的预测结果有帮助，是否能采集到这一类数据，在线上实时计算时数据获取是否快捷。

2. 数据清洗

去除“脏”数据：

简单属性判定
组合或统计属性判定
补齐可对应的缺省值

3. 数据采样

原因：正负样本不均衡。
采样方法有随机采样和分层抽样。
随机采样存在得到极不均匀数据的隐患。
更多根据特征进行分层抽样。

正样本>负样本，且量大：下采样（downsampling），从多数类中随机抽取样本从而减少多数类样本的数量，以使数据达到平衡。
正样本>负样本，量不大：上采样（oversampling）、修改损失函数（loss function）设置样本权重。

3.2.2 特征处理

特征处理方法：

1. 标准化

标准化是依照特征矩阵的列处理数据，即通过求标准分数的方法，将特征转换为标准正态分布，并和总体样本分布相关。每个样本点都能对标准化产生影响。 $x'=\frac{x-\overline{X}}{S}$

from sklearn.preprocessing import StandardScaler
data=StandardScaler().fit_transform(data)

2. 区间缩放法

区间缩放法有很多种，常见的一种是利用两个最值进行缩放。
$x'=\frac{x=Min}{Max-Min}$

from sklearn.preprocessing import MinMaxScaler
data=MinMaxScaler().fit_transform(data)

3. 归一化

归一化时将样本的特征值转化到同一量纲下，把数据映射到[0，1]或[a，b]区间内，仅由变量的极值决定，区间缩放法是归一化的一种。
归一区间会改变数据的原始距离、分布和信息，标准化不会。
$x'=\frac{x}{\sqrt{\sum_{m}^{j}{x\left[j\right]^2}}}$

from sklearn.preprocessing import Normalizer
data=Normalizer().fit_transform(data)

归一化和标准化适用的场景：

如果对输出结果的范围有要求，则用归一化。
如果数据较为稳定，不存在极端的最大值或最小值，则用归一化。
如果数据存在异常值或较多噪声，则用标准化，这样可以通过中心化简介避免异常值和极端值的影响。
支持向量机（Support Vector Machine，SVM）、K近邻（K-Nearest Neighbor，KNN）、主成分分析（Principal Component Analusis，PCA）等模型都必须进行归一化或标准化操作。

4. 定量特征二值化

哑变量（Dummy Variable），也被称为虚拟变量，通常是人为虚设的变量，取值为0或1，用来反映某个变量的不同属性。
将类别变量转换为哑变量的过程就是哑编码。
对于有n个类别属性的变量，通常会以1个类别特征为参照，产生n-1个哑变量。
引入哑变量的目的是把原本不能定量处理的变量进行量化，从而评估定性因素对因变量的影响。

from sklearn.preprocessing import OneHotEncoder
data=OneHotEncoder(categories='auto').fit_transform(data.reshape((-1,1)))

6. 缺失值处理

from sklearn.impute import SimpleImputer
# 参数missing_value为缺失值的表示形式，默认为NaN
# 参数strategy为缺失值的填充方式，默认为mean（均值）
data=SimpleImputer().fit_transform(data)

7. 数据转换

常见的数据转换有基于多项式的、指数函数的和对数函数的转换方式。

多项式转换
例如4个特征，度为2的多项式转换公式为 $x_1',x_2',x_3',x_4',x_5',x_6',x_7',x_8',x_9',x_{10}',x_{11}',x_{12}',x_{13}',x_{14}',x_{15}')=(1,x_1,x_2,x_3,x_4,x_1^2,x_1*x_2,x_1*x_3,x_1*x_4,x_2^2,x_2*x_3,x_2*x_4,x_3^2,x_3*x_4,x_4^2)$

from sklearn.preprocessing import PolynomialFeatures
# 参数degree为度，默认值为2
data=PolynomialFeatures().fit_transform(data)

对数变换
基于单变元函数的数据转换可以使用一个统一的方法完成。

from numpy import loglp
from sklearn.preprocessing import FunctionTransformer
# 第一个参数是单变元函数
data=FunctionTramsformer(loglp,validate=False).fit_transform(data)

8. 特征处理小结

在这里插入图片描述

3.3 特征降维

降维是指采用某种映射方法，将高维向量空间的数据点映射到低维的空间中。
在原始的高维空间中，向量数据包含冗余信息和噪声信息，其在实际应用中会对模型识别造成误差，降低准确率；而通过特征降维可以减少冗余信息造成的误差，从而提高识别的精度。
常用方法：特征选择和线性降维。

3.3.1 特征选择

1. 特征选择的定义

映射函数直接将不重要的特征删除，不过这样会造成特征信息的丢失，不利于模型精度。
数据分析以抓住主要影响因子为主，变量越少越有利于分析。
特征选择常用于统计分析模型中，以及超高维数据分析或者建模预处理中，例如基因序列建模。
在这里插入图片描述

2. 特征选择的方法

过滤法（Filter）：按照发散性或者相关性对各个特征进行评分，通过设定阈值或者待选择阈值的个数来选择特征。
包装法（Wrapper）：根据目标函数（通常是预测效果评分）每次选择若干特征，或者排除若干特征。
嵌入法（Embedded）：使用机器学习的某些算法和模型进行训练，得到各个特征的权重系数，并根据系数从大到小选择特征。

3. 特征选择在Python中的具体实现

sklearn中具体的特征处理的类和所属方法：
在这里插入图片描述

1）VarianceThreshold

方差选择法，先计算各个特征的方差，然后根据阈值选择方差大于阈值的特征。

from sklearn.feature_selection import VarianceThreshold
# 参数threshold为方差的阈值
data=VarianceThreshold(threshold=3).fit_transform(data)

2）SelectKBest

（1）相关系数法

先计算各个特征对目标值的相关系数及相关系数的P值，然后根据与之筛选特征。

import numpy as np
from array import array
from sklearn.feature_selection import SelectKBest
from scipy.stats import pearsonr
# 第一个参数为计算评估特征的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组
# 参数k为选择的特征个数
data=SelectKBest(lambda X,Y:np.array(list(map(lambda x:pearsonr(x,Y),X.T))).T[0],k=2).fit_transform(data,target)

（2）卡方检验

经典的卡方检验是检验定性自变量和定性因变量的相关性。
假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，构建统计量：
$x^2=\sum{\frac{(A-E)^2}{E}}$

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection omport chi2

data=SelectionKBest(chi2,k=2).fit_transform(data,target)

（3）最大信息数据法

经典的互信息是评价定性自变量和定性因变量相关性的方法。
互信息的计算公式：
$I(X,Y)=\sum_{x\in{y}}{\sum_{y\in{x}}{p(x,y)\log{\frac{p(x,y)}{p(x)p(y)}}}}$

import numpy as np
from sklearn.feture_selection import SeleKBest
from minepy import MINE

# 由于MINE的设计不是函数式的，因此需要定义mic方法，返回一个二元组，二元组的第2项设置成固定的P值，为0.5
def mic(x,y):
	m=MINE()
	m.compute_score(x,y)
	return (m.mic(),0.5)
data=SelectKBest(lambda X,Y:np.array(list(map(lambda x:mic(x,Y),x.T))).T[0],k=2).fit_transform(data,target)

3）RFE

递归消除特征法，使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。

from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression

# 参数estimator为基模型
# 参数n_feature_to_select为选择的特征个数
data=RFE(estimator=LogisticRegression(multi_class='auto',solver='lbfgs',max_iter=500),n_feature_to_select=2).fit_transform(data,target)

4）SelectFromModel

SelectFromModel主要采用基于模型的特征选择法。
常见的有基于惩罚项的特征选择法和基于树模型的特征选择法。

（1）基于惩罚项的特征选择法

使用带惩罚项的基模型，可以筛选特征并降维。

from sklearn.feature_selection import SelectFromModel
from sklearn.linear_model import LogisticRegression

# 将带L1惩罚项的逻辑回归作为基模型的特征选择
data=SelectFromModel(LogisticRegression(penalty='12',C=0.1,solver='lbfgs',multi_class='auto')).fit_transform(data,target)

（2）基于树模型的特征选择法

在树模型中，将GBDT（Gradient Boosting Decision Tree，梯度提升迭代决策树）作为基模型进行特征选择。

from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import DradientBoostingClassifier

data=SelectFromModel(GradientBoostingClassifier()).fit_transform(data,target)

3.3.1 线性降维

常用方法有主成分分析法和线性判别分析法。

1. 主成分分析法

常用的线性降维方法。
通过某种线性投影，将高维数据映射到低维空间中表示，并期望在所投影的维度上数据的方差最大，以此达到使用较少的数据维度来保留较多的原始数据点特性的效果。

from sklearn.decomposition import PCA
# 参数n_components为主成分的数目
data=PCA(n_components=2).fit_transform(data)

2. 线性判别分析法

线性判别分析法（Linear Discriminant Analysis，LDA），也叫做Disher线性判别（Fisher Linear Discriminant，FLD），是一种有监督的线性降维算法。
PCA尽可能多的保留数据信息，LDA的目标是使降维后的数据点尽可能地容易被区分，其利用了标签的信息。
假设原始线性数据为X，我们希望找到映射向量a，使得aX后的数据点能够保持以下两种性质：

同类数据尽可能地接近。
不同类地数据点尽可能的分开。

from sklearn.descriminant_analysis import LinearDiscriminantAnalysis as LDA
# 参数N_components为降维后的维数
data=LDA(n_components=2).fit_transform(data,target)