作者：俊欣

來(lái)源：關(guān)于數(shù)據(jù)分析與可視化

今天小編來(lái)說(shuō)說(shuō)如何通過(guò)pandas以及sklearn這兩個(gè)模塊來(lái)對(duì)數(shù)據(jù)集進(jìn)行特征篩選，畢竟有時(shí)候我們拿到手的數(shù)據(jù)集是非常龐大的，有著非常多的特征，減少這些特征的數(shù)量會(huì)帶來(lái)許多的好處，例如

• 提高預(yù)測(cè)的精準(zhǔn)度
• 降低過(guò)擬合的風(fēng)險(xiǎn)
• 加快模型的訓(xùn)練速度
• 增加模型的可解釋性

事實(shí)上，很多時(shí)候也并非是特征數(shù)量越多訓(xùn)練出來(lái)的模型越好，當(dāng)添加的特征多到一定程度的時(shí)候，模型的性能就會(huì)下降，從下圖中我們可以看出，

因此我們需要找到哪些特征是最佳的使用特征，當(dāng)然我們這里分連續(xù)型的變量以及離散型的變量來(lái)討論，畢竟不同數(shù)據(jù)類型的變量處理的方式不同，我們先來(lái)看一下對(duì)于連續(xù)型的變量而言，特征選擇到底是怎么來(lái)進(jìn)行的。

計(jì)算一下各個(gè)變量之間的相關(guān)性

我們先導(dǎo)入所需要用到的模塊以及導(dǎo)入數(shù)據(jù)集，并且用pandas模塊來(lái)讀取

from sklearn.datasets import load_boston import pandas as pd import numpy as np import matplotlib import matplotlib.pyplot as plt import seaborn as sns import statsmodels.api as sm
%matplotlib inline
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.feature_selection import RFE
from sklearn.linear_model import RidgeCV, LassoCV, Ridge, Lasso

這次用到的數(shù)據(jù)集是機(jī)器學(xué)習(xí)中尤其是初學(xué)者經(jīng)常碰到的，波士頓房?jī)r(jià)的數(shù)據(jù)集，其中我們要預(yù)測(cè)的這個(gè)對(duì)象是MEDV這一列

x = load_boston()
df = pd.DataFrame(x.data, columns = x.feature_names)
df["MEDV"] = x.target
X = df.drop("MEDV",1) #將模型當(dāng)中要用到的特征變量保留下來(lái) y = df["MEDV"] #最后要預(yù)測(cè)的對(duì)象 df.head()

output

CRIM ZN INDUS CHAS NOX ... TAX PTRATIO B LSTAT MEDV 0 0.00632 18.0 2.31 0.0 0.538 ... 296.0 15.3 396.90 4.98 24.0 1 0.02731 0.0 7.07 0.0 0.469 ... 242.0 17.8 396.90 9.14 21.6 2 0.02729 0.0 7.07 0.0 0.469 ... 242.0 17.8 392.83 4.03 34.7 3 0.03237 0.0 2.18 0.0 0.458 ... 222.0 18.7 394.63 2.94 33.4 4 0.06905 0.0 2.18 0.0 0.458 ... 222.0 18.7 396.90 5.33 36.2 

我們可以來(lái)看一下特征變量的數(shù)據(jù)類型

df.dtypes 

output

CRIM float64 ZN float64 INDUS float64 CHAS float64 NOX float64 RM float64 AGE float64 DIS float64 RAD float64 TAX float64 PTRATIO float64 B float64 LSTAT float64 MEDV float64 dtype: object 

我們看到都是清一色的連續(xù)型的變量，我們來(lái)計(jì)算一下自變量和因變量之間的相關(guān)性，通過(guò)seaborn模塊當(dāng)中的熱力圖來(lái)展示，代碼如下

plt.figure(figsize=(10,8))
cor = df.corr()
sns.heatmap(cor, annot=True, cmap=plt.cm.Reds)
plt.show()

相關(guān)系數(shù)的值一般是在-1到1這個(gè)區(qū)間內(nèi)波動(dòng)的

• 相關(guān)系數(shù)要是接近于0意味著變量之間的相關(guān)性并不強(qiáng)
• 接近于-1意味著變量之間呈負(fù)相關(guān)的關(guān)系
• 接近于1意味著變量之間呈正相關(guān)的關(guān)系

我們來(lái)看一下對(duì)于因變量而言，相關(guān)性比較高的自變量有哪些

# 篩選出于因變量之間的相關(guān)性 cor_target = abs(cor["MEDV"]) # 挑選于大于0.5的相關(guān)性系數(shù) relevant_features = cor_target[cor_target>0.5]
relevant_features

output

RM 0.695360 PTRATIO 0.507787 LSTAT 0.737663 MEDV 1.000000 Name: MEDV, dtype: float64 

篩選出3個(gè)相關(guān)性比較大的自變量來(lái)，然后我們來(lái)看一下自變量之間的相關(guān)性如何，要是自變量之間的相關(guān)性非常強(qiáng)的話，我們也只需要保留其中的一個(gè)就行，

print(df[["LSTAT","PTRATIO"]].corr()) print("=" * 50) print(df[["RM","LSTAT"]].corr()) print("=" * 50) print(df[["PTRATIO","RM"]].corr())

output

LSTAT PTRATIO LSTAT 1.000000 0.374044 PTRATIO 0.374044 1.000000 ================================================== RM LSTAT RM 1.000000 -0.613808 LSTAT -0.613808 1.000000 ================================================== PTRATIO RM PTRATIO 1.000000 -0.355501 RM -0.355501 1.000000 

從上面的結(jié)果中我們可以看到，RM變量和LSTAT這個(gè)變量是相關(guān)性是比較高的，我們只需要保留其中一個(gè)就可以了，我們選擇保留LSTAT這個(gè)變量，因?yàn)樗c因變量之間的相關(guān)性更加高一些

遞歸消除法

我們可以嘗試這么一種策略，我們選擇一個(gè)基準(zhǔn)模型，起初將所有的特征變量傳進(jìn)去，我們?cè)俅_認(rèn)模型性能的同時(shí)通過(guò)對(duì)特征變量的重要性進(jìn)行排序，去掉不重要的特征變量，然后不斷地重復(fù)上面的過(guò)程直到達(dá)到所需數(shù)量的要選擇的特征變量。

LR= LinearRegression() # 挑選出7個(gè)相關(guān)的變量 rfe_model = RFE(model, 7) # 交給模型去進(jìn)行擬合 X_rfe = rfe_model.fit_transform(X,y)  
LR.fit(X_rfe,y) # 輸出各個(gè)變量是否是相關(guān)的，并且對(duì)其進(jìn)行排序 print(rfe_model.support_)
print(rfe_model.ranking_)

output

[False False False True True True False True True False True False True] [2 4 3 1 1 1 7 1 1 5 1 6 1] 

第一行的輸出包含True和False，其中True代表的是相關(guān)的變量對(duì)應(yīng)下一行的輸出中的1，而False包含的是不相關(guān)的變量，然后我們需要所需要多少個(gè)特征變量，才能夠使得模型的性能達(dá)到最優(yōu)

#將13個(gè)特征變量都依次遍歷一遍 feature_num_list=np.arange(1,13) # 定義一個(gè)準(zhǔn)確率 high_score=0 # 最優(yōu)需要多少個(gè)特征變量 num_of_features=0  score_list =[] for n in range(len(feature_num_list)): X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 0.3, random_state = 0) model = LinearRegression() rfe_model = RFE(model,feature_num_list[n]) X_train_rfe_model = rfe_model.fit_transform(X_train,y_train) X_test_rfe_model = rfe_model.transform(X_test) model.fit(X_train_rfe_model,y_train) score = model.score(X_test_rfe_model,y_test) score_list.append(score) if(score>high_score): high_score = score num_of_features = feature_num_list[n] print("最優(yōu)的變量是: %d個(gè)" %num_of_features) print("%d個(gè)變量的準(zhǔn)確率為: %f" % (num_of_features, high_score)) 

output

最優(yōu)的變量是: 10個(gè) 10個(gè)變量的準(zhǔn)確率為: 0.663581 

從上面的結(jié)果可以看出10個(gè)變量對(duì)于整個(gè)模型來(lái)說(shuō)是最優(yōu)的，然后我們來(lái)看一下到底是哪10個(gè)特征變量

cols = list(X.columns)
model = LinearRegression() # 初始化RFE模型，篩選出10個(gè)變量 rfe_model = RFE(model, 10)             
X_rfe = rfe.fit_transform(X,y) # 擬合訓(xùn)練模型 model.fit(X_rfe,y)              
df = pd.Series(rfe.support_,index = cols)
selected_features = df[df==True].index
print(selected_features)

output

Index(['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'DIS', 'RAD', 'PTRATIO', 'LSTAT'],
      dtype='object')

正則化

例如對(duì)于Lasso的正則化而言，對(duì)于不相關(guān)的特征而言，該算法會(huì)讓其相關(guān)系數(shù)變?yōu)?，因此不相關(guān)的特征變量很快就會(huì)被排除掉了，只剩下相關(guān)的特征變量

lasso = LassoCV()
lasso.fit(X, y)
coef = pd.Series(lasso.coef_, index = X.columns)

然后我們看一下哪些變量的相關(guān)系數(shù)是0

print("Lasso算法挑選了 " + str(sum(coef != 0)) + " 個(gè)變量，然后去除掉了" + str(sum(coef == 0)) + "個(gè)變量")

output

Lasso算法挑選了10個(gè)變量，然后去除掉了3個(gè)變量

我們來(lái)對(duì)計(jì)算出來(lái)的相關(guān)性系數(shù)排個(gè)序并且做一個(gè)可視化

imp_coef = coef.sort_values()
matplotlib.rcParams['figure.figsize'] = (8, 6)
imp_coef.plot(kind = "barh")
plt.title("Lasso Model Feature Importance")

output

可以看到當(dāng)中有3個(gè)特征，‘NOX’、'CHAS'、'INDUS'的相關(guān)性為0

根據(jù)缺失值來(lái)進(jìn)行判斷

下面我們來(lái)看一下如何針對(duì)離散型的特征變量來(lái)做處理，首先我們可以根據(jù)缺失值的比重來(lái)進(jìn)行判斷，要是對(duì)于一個(gè)離散型的特征變量而言，絕大部分的值都是缺失的，那這個(gè)特征變量也就沒(méi)有存在的必要了，我們可以針對(duì)這個(gè)思路在進(jìn)行判斷。

首先導(dǎo)入所需要用到的數(shù)據(jù)集

train = pd.read_csv("credit_example.csv") train_labels = train['TARGET'] train = train.drop(columns = ['TARGET'])

我們可以先來(lái)計(jì)算一下數(shù)據(jù)集當(dāng)中每個(gè)特征變量缺失值的比重

missing_series = train.isnull().sum() / train.shape[0]
df = pd.DataFrame(missing_series).rename(columns = {'index': '特征變量', 0: '缺失值比重'})
df.sort_values("缺失值比重", ascending = False).head()

output

缺失值比重 COMMONAREA_AVG 0.6953 COMMONAREA_MODE 0.6953 COMMONAREA_MEDI 0.6953 NONLIVINGAPARTMENTS_AVG 0.6945 NONLIVINGAPARTMENTS_MODE 0.6945 

我們可以看到缺失值最高的比重將近有70%，我們也可以用可視化的根據(jù)來(lái)繪制一下缺失值比重的分布圖

plt.rcParams['font.sans-serif']=['SimHei'] #用來(lái)正常顯示中文標(biāo)簽 plt.figure(figsize = (7, 5)) plt.hist(df['缺失值比重'], bins = np.linspace(0, 1, 11), edgecolor = 'k', color = 'blue', linewidth = 2) plt.xticks(np.linspace(0, 1, 11)); plt.xlabel('缺失值的比重', size = 14); plt.ylabel('特征變量的數(shù)量', size = 14); plt.title("缺失值分布圖", size = 14); 

output

我們可以看到有一部分特征變量，它們缺失值的比重在50%以上，有一些還在60%以上，我們可以去除掉當(dāng)中的部分特征變量

計(jì)算特征的重要性

在基于樹(shù)的眾多模型當(dāng)中，會(huì)去計(jì)算每個(gè)特征變量的重要性，也就是feature_importances_屬性，得出各個(gè)特征變量的重要性程度之后再進(jìn)行特征的篩選

from sklearn.ensemble import RandomForestClassifier clf = RandomForestClassifier() # 模型擬合數(shù)據(jù) clf.fit(X,Y) feat_importances = pd.Series(clf.feature_importances_, index=X.columns) # 篩選出特征的重要性程度最大的10個(gè)特征 feat_importances.nlargest(10) 

我們同時(shí)也可以對(duì)特征的重要性程度進(jìn)行可視化，

feat_importances.nlargest(10).plot(kind='barh', figsize = (8, 6))

output

除了隨機(jī)森林之外，基于樹(shù)的算法模型還有很多，如LightGBM、XGBoost等等，大家也都可以通過(guò)對(duì)特征重要性的計(jì)算來(lái)進(jìn)行特征的篩選

Select_K_Best算法

在Sklearn模塊當(dāng)中還提供了SelectKBest的API，針對(duì)回歸問(wèn)題或者是分類問(wèn)題，我們挑選合適的模型評(píng)估指標(biāo)，然后設(shè)定K值也就是既定的特征變量的數(shù)量，進(jìn)行特征的篩選。

假定我們要處理的是分類問(wèn)題的特征篩選，我們用到的是iris數(shù)據(jù)集

iris_data = load_iris()
x = iris_data.data
y = iris_data.target print("數(shù)據(jù)集的行與列的數(shù)量: ", x.shape)  

output

數(shù)據(jù)集的行與列的數(shù)量:  (150, 4)

對(duì)于分類問(wèn)題，我們采用的評(píng)估指標(biāo)是卡方，假設(shè)我們要挑選出3個(gè)對(duì)于模型最佳性能而言的特征變量，因此我們將K設(shè)置成3

select = SelectKBest(score_func=chi2, k=3)
# 擬合數(shù)據(jù)
z = select.fit_transform(x,y)
filter_1 = select.get_support()
features = array(iris.feature_names) print("所有的特征: ", features) print("篩選出來(lái)最優(yōu)的特征是: ", features[filter_1])

output

所有的特征:  ['sepal length (cm)' 'sepal width (cm)' 'petal length (cm)' 'petal width (cm)']
篩選出來(lái)最優(yōu)的特征是:  ['sepal length (cm)' 'petal length (cm)' 'petal width (cm)']

那么對(duì)于回歸的問(wèn)題而言，我們可以選擇上面波士頓房?jī)r(jià)的例子，同理我們想要篩選出對(duì)于模型最佳的性能而言的7個(gè)特征變量，同時(shí)對(duì)于回歸問(wèn)題的評(píng)估指標(biāo)用的是f_regression

boston_data = load_boston() x = boston_data.data y = boston_data.target

然后我們將擬合數(shù)據(jù)，并且進(jìn)行特征變量的篩選

select_regression = SelectKBest(score_func=f_regression, k=7)
z = select_regression.fit_transform(x, y)

filter_2 = select_regression.get_support()
features_regression = array(boston_data.feature_names) print("所有的特征變量有:") print(features_regression) print("篩選出來(lái)的7個(gè)特征變量則是:") print(features_regression[filter_2])

output

所有的特征變量有:
['CRIM' 'ZN' 'INDUS' 'CHAS' 'NOX' 'RM' 'AGE' 'DIS' 'RAD' 'TAX' 'PTRATIO' 'B' 'LSTAT']
篩選出來(lái)的7個(gè)特征變量則是:
['CRIM' 'INDUS' 'NOX' 'RM' 'TAX' 'PTRATIO' 'LSTAT']