??簡? 介：

據(jù)《福布斯》報道，每天大約會有 250 萬字節(jié)的數(shù)據(jù)被產(chǎn)生。然后，可以使用數(shù)據(jù)科學(xué)和機器學(xué)習(xí)技術(shù)對這些數(shù)據(jù)進行分析，以便提供分析和作出預(yù)測。盡管在大多數(shù)情況下，在開始任何統(tǒng)計分析之前，需要先對最初收集的數(shù)據(jù)進行預(yù)處理。有許多不同的原因?qū)е滦枰M行預(yù)處理分析，例如：

收集的數(shù)據(jù)格式不對（如 SQL 數(shù)據(jù)庫、JSON、CSV 等）

缺失值和異常值

標準化

減少數(shù)據(jù)集中存在的固有噪聲（部分存儲數(shù)據(jù)可能已損壞）

數(shù)據(jù)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(shù)據(jù)集中的特性數(shù)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(tǒng)計分析期間要使用的特征的數(shù)量可能會帶來一些好處，例如：

提高精度

降低過擬合風(fēng)險

加快訓(xùn)練速度

改進數(shù)據(jù)可視化

增加我們模型的可解釋性

事實上，統(tǒng)計上證明，當執(zhí)行機器學(xué)習(xí)任務(wù)時，存在針對每個特定任務(wù)應(yīng)該使用的最佳數(shù)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(zhàn)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(shù)據(jù)量和我們正在努力實現(xiàn)的任務(wù)的復(fù)雜性）。這就是特征選擇技術(shù)能夠幫到我們的地方！

圖 1：分類器性能和維度之間的關(guān)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：

1.過濾方法=過濾我們的數(shù)據(jù)集，只取包含所有相關(guān)特征的子集（例如，使用 Pearson 相關(guān)的相關(guān)矩陣）。

2.遵循過濾方法的相同目標，但使用機器學(xué)習(xí)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(xué)習(xí)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。

3.嵌入方法。與過濾方法一樣，嵌入方法也使用機器學(xué)習(xí)模型。這兩種方法的區(qū)別在于，嵌入的方法檢查 ML 模型的不同訓(xùn)練迭代，然后根據(jù)每個特征對 ML 模型訓(xùn)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(shù)據(jù)集，通過查看給定的特征來嘗試預(yù)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(shù)，看看它們會如何影響訓(xùn)練時間和模型整體的精度。 首先，我們需要導(dǎo)入所有必需的庫。

我們將在本例中使用的數(shù)據(jù)集如下圖所示。

圖 3：Mushroom Classification 數(shù)據(jù)集 在將這些數(shù)據(jù)輸入機器學(xué)習(xí)模型之前，我決定對所有分類變量進行 one hot 編碼，將數(shù)據(jù)分為特征（x）和標簽（y），最后在訓(xùn)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,

? 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(yù)測（使其更易于解釋）是至關(guān)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(xùn)練一個隨機森林分類器，在大約 2.2 秒的訓(xùn)練時間內(nèi)獲得 100% 的準確率。在下面的每個示例中，每個模型的訓(xùn)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(xùn)練，我們就可以創(chuàng)建一個特征重要性圖，看看哪些特征對我們的模型預(yù)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(xiàn)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(xùn)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(dǎo)致準確率下降 0.03%，訓(xùn)練時間減少一半。



我們還可以通過可視化一個訓(xùn)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(jié)構(gòu)頂部的特征是我們的模型為了執(zhí)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(chuàng)建一個準確度非?？捎^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(xué)習(xí)模型的實例和要使用的最終期望特征數(shù)作為輸入。然后，它遞歸地減少要使用的特征的數(shù)量，采用的方法是使用機器學(xué)習(xí)模型精度作為度量對它們進行排序。 創(chuàng)建一個 for 循環(huán)，其中輸入特征的數(shù)量是我們的變量，這樣就可以通過跟蹤在每個循環(huán)迭代中注冊的精度，找出我們的模型所需的最佳特征數(shù)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(xué)習(xí)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(xué)習(xí)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(jù)計算出的閾值（不涉及優(yōu)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(chǎn)生更少的方差（因此減少了過擬合的風(fēng)險）。隨機森林和極隨機樹的主要區(qū)別在于極隨機樹中節(jié)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(guān)矩陣分析 ?

為了減少數(shù)據(jù)集中的特征數(shù)量，另一種可能的方法是檢查特征與標簽的相關(guān)性。 使用皮爾遜相關(guān)，我們的返回系數(shù)值將在-1 和 1 之間變化：

如果兩個特征之間的相關(guān)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(guān)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(guān)系數(shù)越接近 1，兩個不同特征之間的這種聯(lián)系就越強）。

如果兩個特征之間的相關(guān)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(guān)性系數(shù)越接近-1，兩個不同特征之間的這種關(guān)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(guān)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(xiàn)在可以通過創(chuàng)建一個相關(guān)矩陣來更仔細地研究不同相關(guān)特征之間的關(guān)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(guān)特征的相關(guān)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(guān)。如果是的話，我們就只需要保留其中一個相關(guān)的，去掉其他的。 最后，我們現(xiàn)在可以只選擇與 y 相關(guān)度最高的特征，訓(xùn)練/測試一個支持向量機模型來評估該方法的結(jié)果。

?

單變量選擇

單變量特征選擇是一種統(tǒng)計方法，用于選擇與我們對應(yīng)標簽關(guān)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(shù)量。根據(jù)我們的需要，提供不同類型的評分函數(shù)：

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(nèi)縮放輸入數(shù)據(jù)。

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(yīng)用于機器學(xué)習(xí)模型時，我們在模型參數(shù)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(shù)據(jù)。通過這種方式，我們可以使我們的模型不那么復(fù)雜，并且我們可以避免過度擬合（使我們的模型不僅學(xué)習(xí)關(guān)鍵的數(shù)據(jù)特征，而且學(xué)習(xí)它的內(nèi)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(shù)對我們的機器學(xué)習(xí)模型訓(xùn)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(shù)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(xùn)練了我們的模型，我們就可以再次創(chuàng)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(yù)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?

?