0
照片由 Clem Onojeghuo 發布在 Unsplash 上面
簡介
據《福布斯》報道，每天大約會有 250 萬字節的數據被產生。然后，可以使用數據科學和機器學習技術對這些數據進行分析，以便提供分析和作出預測。盡管在大多數情況下，在開始任何統計分析之前，需要先對最初收集的數據進行預處理。有許多不同的原因導致需要進行預處理分析，例如：
收集的數據格式不對（如 SQL 數據庫、JSON、CSV 等）
缺失值和異常值
標準化
減少數據集中存在的固有噪聲（部分存儲數據可能已損壞）
數據集中的某些功能可能無法收集任何信息以供分析
在本文中，我將介紹如何使用 python 減少 kaggle Mushroom Classification 數據集中的特性數量。本文中使用的所有代碼在 kaggle 和我的 github 帳號上都有。
減少統計分析期間要使用的特征的數量可能會帶來一些好處，例如：
提高精度
降低過擬合風險
加快訓練速度
改進數據可視化
增加我們模型的可解釋性
事實上，統計上證明，當執行機器學習任務時，存在針對每個特定任務應該使用的最佳數量的特征（圖 1）。如果添加的特征比必要的特征多，那么我們的模型性能將下降（因為添加了噪聲）。真正的挑戰是找出哪些特征是最佳的使用特征（這實際上取決于我們提供的數據量和我們正在努力實現的任務的復雜性）。這就是特征選擇技術能夠幫到我們的地方！
圖 1：分類器性能和維度之間的關系
特征選擇
有許多不同的方法可用于特征選擇。其中最重要的是：
過濾方法=過濾我們的數據集，只取包含所有相關特征的子集（例如，使用 Pearson 相關的相關矩陣）。
遵循過濾方法的相同目標，但使用機器學習模型作為其評估標準（例如，向前/向后/雙向/遞歸特征消除）。我們將一些特征輸入機器學習模型，評估它們的性能，然后決定是否添加或刪除特征以提高精度。因此，這種方法可以比濾波更精確，但計算成本更高。
嵌入方法。與過濾方法一樣，嵌入方法也使用機器學習模型。這兩種方法的區別在于，嵌入的方法檢查 ML 模型的不同訓練迭代，然后根據每個特征對 ML 模型訓練的貢獻程度對每個特征的重要性進行排序。
圖 2：過濾器、包裝器和嵌入式方法表示 [3]
實踐
在本文中，我將使用 Mushroom Classification 數據集，通過查看給定的特征來嘗試預測蘑菇是否有毒。在這樣做的同時，我們將嘗試不同的特征消除技術，看看它們會如何影響訓練時間和模型整體的精度。
首先，我們需要導入所有必需的庫。
import time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt from matplotlib.pyplot
import figure
import seaborn as sns from sklearn
import preprocessing from sklearn.preprocessing
import LabelEncoder from sklearn.preprocessing
import StandardScaler from sklearn.model_selection
import train_test_split from sklearn.metrics
import classification_report,confusion_matrix from sklearn
import tree from sklearn.ensemble
import RandomForestClassifier from sklearn
import svm
我們將在本例中使用的數據集如下圖所示。
圖 3：Mushroom Classification 數據集
在將這些數據輸入機器學習模型之前，我決定對所有分類變量進行 one hot 編碼，將數據分為特征（x）和標簽（y），最后在訓練集和測試集中進行。
X = df.drop(['class'], axis = 1)
Y = df['class']
X = pd.get_dummies(X, prefix_sep='_')
Y = LabelEncoder().fit_transform(Y)
X2 = StandardScaler().fit_transform(X)
X_Train, X_Test, Y_Train, Y_Test = train_test_split(X2, Y, test_size = 0.30, random_state = 101)
特征重要性
基于集合的決策樹模型（如隨機森林）可以用來對不同特征的重要性進行排序。了解我們的模型最重要的特征對于理解我們的模型如何做出預測（使其更易于解釋）是至關重要的。同時，我們可以去掉那些對我們的模型沒有任何好處的特征。
start = time.process_time()
trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train,Y_Train)
print(time.process_time() - start)
predictionforest = trainedforest.predict(X_Test)
print(confusion_matrix(Y_Test,predictionforest))
print(classification_report(Y_Test,predictionforest))
如下圖所示，使用所有特征訓練一個隨機森林分類器，在大約 2.2 秒的訓練時間內獲得 100% 的準確率。在下面的每個示例中，每個模型的訓練時間都將打印在每個片段的第一行，供你參考。
一旦我們的隨機森林分類器得到訓練，我們就可以創建一個特征重要性圖，看看哪些特征對我們的模型預測來說是最重要的（圖 4）。在本例中，下面只顯示了前 7 個特性。
figure(num=None, figsize=(20, 22), dpi=80, facecolor='w', edgecolor='k')
feat_importances = pd.Series(trainedforest.feature_importances_, index= X.columns)
feat_importances.nlargest(7).plot(kind='barh')
圖 4：特征重要性圖
現在我們知道了哪些特征被我們的隨機森林認為是最重要的，我們可以嘗試使用前 3 個來訓練我們的模型。
X_Reduced = X[['odor_n','odor_f', 'gill-size_n','gill-size_b']]
X_Reduced = StandardScaler().fit_transform(X_Reduced)
X_Train2, X_Test2, Y_Train2, Y_Test2 = train_test_split(X_Reduced, Y, test_size = 0.30, random_state = 101)
start = time.process_time()
trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train2,Y_Train2)
print(time.process_time() - start)
predictionforest = trainedforest.predict(X_Test2)
print(confusion_matrix(Y_Test2,predictionforest))
print(classification_report(Y_Test2,predictionforest))
正如我們在下面看到的，僅僅使用 3 個特征，只會導致準確率下降 0.03%，訓練時間減少一半。
我們還可以通過可視化一個訓練過的決策樹來理解如何進行特征選擇。
start = time.process_time()
trainedtree = tree.DecisionTreeClassifier().fit(X_Train, Y_Train)
print(time.process_time() - start)
predictionstree = trainedtree.predict(X_Test)
print(confusion_matrix(Y_Test,predictionstree))
print(classification_report(Y_Test,predictionstree))
樹結構頂部的特征是我們的模型為了執行分類而保留的最重要的特征。因此，只選擇頂部的前幾個特征，而放棄其他特征，可能創建一個準確度非常可觀的模型。
import graphviz
from sklearn.tree import DecisionTreeClassifier, export_graphviz
data = export_graphviz(trainedtree,out_file=None,feature_names= X.columns,
class_names=['edible', 'poisonous'],
filled=True, rounded=True,
max_depth=2,
special_characters=True)
graph = graphviz.Source(data)
graph
圖 5：決策樹可視化
遞歸特征消除（RFE）
遞歸特征消除（RFE）將機器學習模型的實例和要使用的最終期望特征數作為輸入。然后，它遞歸地減少要使用的特征的數量，采用的方法是使用機器學習模型精度作為度量對它們進行排序。
創建一個 for 循環，其中輸入特征的數量是我們的變量，這樣就可以通過跟蹤在每個循環迭代中注冊的精度，找出我們的模型所需的最佳特征數量。使用 RFE 支持方法，我們可以找出被評估為最重要的特征的名稱（rfe.support 返回一個布爾列表，其中 true 表示一個特征被視為重要，false 表示一個特征不重要）。
from sklearn.feature_selection import RFE
model = RandomForestClassifier(n_estimators=700)
rfe = RFE(model, 4)
start = time.process_time()
RFE_X_Train = rfe.fit_transform(X_Train,Y_Train)
RFE_X_Test = rfe.transform(X_Test)
rfe = rfe.fit(RFE_X_Train,Y_Train)
print(time.process_time() - start)
print("Overall Accuracy using RFE: ", rfe.score(RFE_X_Test,Y_Test))
SelecFromModel
selectfrommodel 是另一種 scikit 學習方法，可用于特征選擇。此方法可用于具有 coef 或 feature 重要性屬性的所有不同類型的 scikit 學習模型（擬合后）。與 rfe 相比，selectfrommodel 是一個不太可靠的解決方案。實際上，selectfrommodel 只是根據計算出的閾值（不涉及優化迭代過程）刪除不太重要的特性。
為了測試 selectfrommodel 的有效性，我決定在這個例子中使用一個 ExtraTreesClassifier。
ExtratreesClassifier（極端隨機樹）是基于樹的集成分類器，與隨機森林方法相比，它可以產生更少的方差（因此減少了過擬合的風險）。隨機森林和極隨機樹的主要區別在于極隨機樹中節點的采樣不需要替換。
from sklearn.ensemble import ExtraTreesClassifier
from sklearn.feature_selection import SelectFromModel
model = ExtraTreesClassifier()
start = time.process_time()
model = model.fit(X_Train,Y_Train)
model = SelectFromModel(model, prefit=True)
print(time.process_time() - start)
Selected_X = model.transform(X_Train)
start = time.process_time()
trainedforest = RandomForestClassifier(n_estimators=700).fit(Selected_X, Y_Train)
print(time.process_time() - start)
Selected_X_Test = model.transform(X_Test)
predictionforest = trainedforest.predict(Selected_X_Test)
print(confusion_matrix(Y_Test,predictionforest))
print(classification_report(Y_Test,predictionforest))
相關矩陣分析
為了減少數據集中的特征數量，另一種可能的方法是檢查特征與標簽的相關性。
使用皮爾遜相關，我們的返回系數值將在-1 和 1 之間變化：
如果兩個特征之間的相關性為 0，則意味著更改這兩個特征中的任何一個都不會影響另一個。
如果兩個特征之間的相關性大于 0，這意味著增加一個特征中的值也會增加另一個特征中的值（相關系數越接近 1，兩個不同特征之間的這種聯系就越強）。
如果兩個特征之間的相關性小于 0，這意味著增加一個特征中的值將使減少另一個特征中的值（相關性系數越接近-1，兩個不同特征之間的這種關系將越強）。
在這種情況下，我們將只考慮與輸出變量至少 0.5 相關的特性。
Numeric_df = pd.DataFrame(X)
Numeric_df['Y'] = Y
corr= Numeric_df.corr()
corr_y = abs(corr["Y"])
highest_corr = corr_y[corr_y >0.5]
highest_corr.sort_values(ascending=True)
我們現在可以通過創建一個相關矩陣來更仔細地研究不同相關特征之間的關系。
figure(num=None, figsize=(12, 10), dpi=80, facecolor='w', edgecolor='k')
corr2 = Numeric_df[['bruises_f' , 'bruises_t' , 'gill-color_b' , 'gill-size_b' , 'gill-size_n' , 'ring-type_p' , 'stalk-surface-below-ring_k' , 'stalk-surface-above-ring_k' , 'odor_f', 'odor_n']].corr()
sns.heatmap(corr2, annot=True, fmt=".2g")
圖 6：最高相關特征的相關矩陣
在這項分析中，另一個可能要控制的方面是檢查所選變量是否彼此高度相關。如果是的話，我們就只需要保留其中一個相關的，去掉其他的。
最后，我們現在可以只選擇與 y 相關度最高的特征，訓練/測試一個支持向量機模型來評估該方法的結果。
單變量選擇
單變量特征選擇是一種統計方法，用于選擇與我們對應標簽關系最密切的特征。使用 selectkbest 方法，我們可以決定使用哪些指標來評估我們的特征，以及我們希望保留的 k 個最佳特征的數量。根據我們的需要，提供不同類型的評分函數：
Classification = chi2, f_classif, mutual_info_classif
Regression = f_regression, mutual_info_regression
在本例中，我們將使用 chi2（圖 7）。
圖 7：卡方公式 [4]
卡方（chi-squared，chi2）可以將非負值作為輸入，因此，首先，我們在 0 到 1 之間的范圍內縮放輸入數據。
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
min_max_scaler = preprocessing.MinMaxScaler()
Scaled_X = min_max_scaler.fit_transform(X2)
X_new = SelectKBest(chi2, k=2).fit_transform(Scaled_X, Y)
X_Train3, X_Test3, Y_Train3, Y_Test3 = train_test_split(X_new, Y, test_size = 0.30, random_state = 101)
start = time.process_time()
trainedforest = RandomForestClassifier(n_estimators=700).fit(X_Train3,Y_Train3)
print(time.process_time() - start)
predictionforest = trainedforest.predict(X_Test3)
print(confusion_matrix(Y_Test3,predictionforest))
print(classification_report(Y_Test3,predictionforest))
套索回歸
當將正則化應用于機器學習模型時，我們在模型參數上加上一個懲罰，以避免我們的模型試圖太接近我們的輸入數據。通過這種方式，我們可以使我們的模型不那么復雜，并且我們可以避免過度擬合（使我們的模型不僅學習關鍵的數據特征，而且學習它的內在噪聲）。
其中一種可能的正則化方法是套索回歸。當使用套索回歸時，如果輸入特征的系數對我們的機器學習模型訓練沒有積極的貢獻，則它們會縮小。這樣，一些特征可能會被自動丟棄，即將它們的系數指定為零。
from sklearn.linear_model import LassoCV
regr = LassoCV(cv=5, random_state=101)
regr.fit(X_Train,Y_Train)
print("LassoCV Best Alpha Scored: ", regr.alpha_)
print("LassoCV Model Accuracy: ", regr.score(X_Test, Y_Test))
model_coef = pd.Series(regr.coef_, index = list(X.columns[:-1]))
print("Variables Eliminated: ", str(sum(model_coef == 0)))
print("Variables Kept: ", str(sum(model_coef != 0)))
一旦訓練了我們的模型，我們就可以再次創建一個特征重要性圖來了解哪些特征被我們的模型認為是最重要的（圖 8）。這是非常有用的，尤其是在試圖理解我們的模型是如何決定做出預測的時候，因此使我們的模型更易于解釋。
figure(num=None, figsize=(12, 10), dpi=80, facecolor='w', edgecolor='k')
top_coef = model_coef.sort_values()
top_coef[top_coef != 0].plot(kind = "barh")
plt.title("Most Important Features Identified using Lasso (!0)")
圖 8：套索特征重要性圖
via：https://towardsdatascience.com/feature-selection-techniques-1bfab5fe0784
雷鋒網雷鋒網雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
