特征降维
降维
降维是指在某些限定条件下,降低随机变量(特征)个数,得到一组“不相关”主变量的过程。
- 降低随机变量(特征)的个数:
- 相关特征(correlated feature)
例如:相对适度与降雨量之间的相关
在进行训练的时候,是使用特征进行学习。如果特征本身存在问题或者特征之间相关性较强,对于算法学习预测会影响较大。
降低特征的个数,特征与特征之间不相关。
降维的两种方式
- 特征选择
- 主成分分析(可以理解一种特征提取的方式)
什么是特征选择
- 定义
数据中包含冗余或相关变量(或称特征、属性、指标等),旨在从原有特征中找出主要特征。
- 方法
- Filter(过滤式):主要探究特征本身特点、特征与特征之间的相关性
(1)方差选择法:低方差特征过滤
(2)相关系数 - Embedded(嵌入式):算法自动选择特征(特征与目标值之间的关联)
(1)决策树:信息熵、信息增益
(2)正则化:L1、L2
(3)深度学习:卷积
- 模块
sklearn.feature_selection
低方差特征过滤式
删除低方差的一些特征:
- 特征方差小:某个特征大多样本的值比较相近
- 特征方差大:某个特征很多样本的值都有差别
- API
sklearn.feature_selection.VarianceThreshold(threshold=0.0)
- 删除所有低方差特征
- Variance.fit_transform(X)
X:numpy array格式的数据[n_samples,n_features]
返回值:训练集差异低于threshold的特征将被删除。默认值是保留所有非0方差特征,即删除所有样本中具有相同值的特征。
- 数据计算
对某些股票的指标特性之间进行一个筛选。除去‘index’,‘data’.'return’列不考虑(这些类型不匹配,也不是所需要指标)
(1)导入包
import pandas as pd
from sklearn.feature_selection import VarianceThreshold
(2)编写variance_demo()函数,内容如下:
def variance_demo():
'''
低方差过滤
:return:
'''
#1.获取数据
data = pd.read_csv("E:\Python37\my code\skearncode\\factor_returns.csv")
data = data.iloc[:,1:-2]
#2.实例化一个转换器
transfer = VarianceThreshold()
#3.调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new, data_new.shape)
return None
(3)在主函数中调用variance_demo()
(4)结果:
相关系数
- 定义
皮尔逊相关系数(Pearson Correlation Coefficient):反映变量之间相关关系密切程度的统计指标。 - 公式
- 特点
相关系数的值介于-1与+1之间,即-1≤r≤+1。其性质如下:
- 当r>0时,表示两变量正相关,r<0时,两变量为负相关。
- 当| r |=1时,表示两变量为完全相关,当r=0时,表示两变量键无相关关系。
- 当0<| r |<1时,表示两变量存在一定程度的相关。且| r |越接近1, 两变量间线性关系越密切;| r |越接近0,表示两变量的线性相关越弱。
- 一般可按三级划分:| r |<0.4为低度相关;0.4≤| r |≤0.7为显著性相关;0.7≤| r |<1为高度线性相关。
- API
from scipy stats import pearsonr
- x:(N,)array_like
- y:(N,)array_like Returns:(Pearson’s correiation coefficient,pvalue)
- 案例
利用股票的这些指标进行相关性计算,假设以
factor = [‘pe_ratio’,‘pb_ratio’,]计算这两个特征之间的相关性:
(1)导入包
from scipy.stats import pearsonr
(2)在variance_demo()函数中添加如下代码:
# 4.计算某两个变量的相关系数
r1 = pearsonr(data["pe_ratio"],data["pb_ratio"])
print("相关系数:\n", r1)
r2 = pearsonr(data["revenue"], data["total_expense"])
print("相关系数:\n", r2)
(3)结果:
图片中的-0.004389322779936274和0.9958450413136111为相关系数。
特征与特征之间相关性很高时:
(1)选取其中一个
(2)加权求和
(3)主成分分析
通过循环对所有特征之间进行两两计算,可以得出相关性高的一些特征。
另外,也可以使用画图来观察结果:
(1)导入包
import matplotlib.pyplot as plt
(2)在variance_demo()函数中添加如下代码:
# 5.画图进行展示
plt.figure(figsize=(20,8),dpi=100)
plt.scatter(data["revenue"], data["total_expense"])
plt.show()
(3)结果: