1. 概述¶
用于训练的数据集特征对模型的性能有着极其重要的作用。如果训练数据中包含一些不重要的特征,可能导致模型的泛化性能不佳。例如:
- 某些特征的取值较为接近,其包含的信息较少
- 我们希望特征独立存在,对预测产生影响,具有相关性的特征可能并不会给模型带来更多的信息,但是并不是说相关性完全无用。
降维 是指在某些限定条件下,降低特征个数, 我们接下来介绍集中特征降维的方法:
- 低方差过滤法
- 如果一个特征的方差很小,说明这个特征包含的信息很少
-
使用该特征进行训练的话,模型很难通过该特征区分对象
-
相关系数法:
- 通过计算特征的相关系数,发现具有相关性的特征,根据其相关性的强弱,可以选择特征。
- 皮尔逊相关系数
-
斯皮尔曼相关系数
-
PCA(主成分分析)降维法:
- 保留大部分信息的前提下,将数据的维度压缩为到低维
- 在降维过程中能够去除特征之间的相关性
2. 低方差过滤法¶
我们知道:
- 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
低方差过滤法 指的是删除方差低于某些阈值的一些特征。
sklearn.feature_selection.VarianceThreshold(threshold=0.0)
Variance.fit_transform(X)
X:numpy array格式的数据[n_samples,n_features]
在数据集中,删除方差低于 threshold 的特征将被删除,默认值是保留所有非零方差特征,即删除所有样本中具有相同值的特征。
示例代码:
from sklearn.feature_selection import VarianceThreshold
import pandas as pd
if __name__ == '__main__':
# 1. 读取数据集
data = pd.read_csv('data/垃圾邮件分类数据.csv')
print(data.shape)
# 3. 使用方差过滤法
transformer = VarianceThreshold(threshold=0.1)
data = transformer.fit_transform(data)
print(data.shape)
3. 相关系数法¶
相关系数的计算主要有: 皮尔逊相关系数、斯皮尔曼相关系数。特征之间的相关系数法可以反映变量之间相关关系密切程度。
皮尔逊相关系数的计算公式:
斯皮尔曼相关系数计算公式:
import pandas as pd
from sklearn.feature_selection import VarianceThreshold
from scipy.stats import pearsonr
from scipy.stats import spearmanr
from sklearn.datasets import load_iris
import pandas as pd
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)
pd.set_option('display.width', 1000)
if __name__ == '__main__':
# 1. 读取数据集
data = load_iris()
data = pd.DataFrame(data.data, columns=data.feature_names)
# 2. 皮尔逊相关系数
corr = pearsonr(data['sepal length (cm)'], data['sepal width (cm)'])
print(corr, '皮尔逊相关系数:', corr[0], '不相关性概率:', corr[1])
# 3. 斯皮尔曼相关系数
corr = spearmanr(data['petal length (cm)'], data['petal width (cm)'])
print(corr, '斯皮尔曼相关系数:', corr[0], '不相关性概率:', corr[1])
# 4. 使用 DataFrame 的 corr 方法计算相关性
print(data.corr('pearson'))
print(data.corr('spearman'))
4. 主成分分析(PCA)¶
PCA 通过对数据维数进行压缩,尽可能降低原数据的维数(复杂度),损失少量信息,在此过程中可能会舍弃原有数据、创造新的变量。
from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
if __name__ == '__main__':
# 1. 加载数据集
x, y = load_iris(return_X_y=True)
print(x[:5])
# 2. 保留指定比例的信息
transformer = PCA(n_components=0.95)
x_pca = transformer.fit_transform(x)
print(x_pca[:5])
# 3. 保留指定数量特征
transformer = PCA(n_components=2)
x_pca = transformer.fit_transform(x)
print(x_pca[:5])