導(dǎo)讀：據(jù)《福布斯》報(bào)道，每天大約會(huì)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(jī)器學(xué)習(xí)技術(shù)對(duì)這些數(shù)據(jù)進(jìn)行分析，以便提供分析和作出預(yù)測(cè)。盡管在大多數(shù)情況下，在開始任何統(tǒng)計(jì)分析之前，需要先對(duì)最初收集的數(shù)據(jù)進(jìn)行預(yù)處理。有許多不同的原因?qū)е滦枰M(jìn)行預(yù)處理分析，例如：

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

缺失值和異常值

標(biāo)準(zhǔn)化

減少數(shù)據(jù)集中存在的固有噪聲（部分存儲(chǔ)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，我將通俗介紹如何使用 python 減少 kaggle Mushroom Classification 數(shù)據(jù)集中的特性數(shù)量。減少統(tǒng)計(jì)分析期間要使用的特征的數(shù)量可能會(huì)帶來一些好處，例如：

提高精度

降低過擬合風(fēng)險(xiǎn)

加快訓(xùn)練速度

改進(jìn)數(shù)據(jù)可視化

增加我們模型的可解釋性

事實(shí)上，統(tǒng)計(jì)上證明，當(dāng)執(zhí)行機(jī)器學(xué)習(xí)任務(wù)時(shí)，存在針對(duì)每個(gè)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?yàn)樘砑恿嗽肼暎?。真正的挑?zhàn)是找出哪些特征是最佳的使用特征（這實(shí)際上取決于我們提供的數(shù)據(jù)量和我們正在努力實(shí)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01

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(biāo)，但使用機(jī)器學(xué)習(xí)模型作為其評(píng)估標(biāo)準(zhǔn)（例如，向前/向后/雙向/遞歸特征消除）。我們將一些特征輸入機(jī)器學(xué)習(xí)模型，評(píng)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(jì)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(jī)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(gè)特征對(duì) ML 模型訓(xùn)練的貢獻(xiàn)程度對(duì)每個(gè)特征的重要性進(jìn)行排序。

圖 2：過濾器、包裝器和嵌入式方法表示 ［3］02實(shí)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(cè)蘑菇是否有毒。在這樣做的同時(shí)，我們將嘗試不同的特征消除技術(shù)，看看它們會(huì)如何影響訓(xùn)練時(shí)間和模型整體的精度。數(shù)據(jù)下載：https://github.com/ffzs/dataset/blob/master/mushrooms.csv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(jī)器學(xué)習(xí)模型之前，我決定對(duì)所有分類變量進(jìn)行 one hot 編碼，將數(shù)據(jù)分為特征（x）和標(biāo)簽（y），最后在訓(xùn)練集和測(cè)試集中進(jìn)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）

03特征重要性基于集合的決策樹模型（如隨機(jī)森林）可以用來對(duì)不同特征的重要性進(jìn)行排序。了解我們的模型最重要的特征對(duì)于理解我們的模型如何做出預(yù)測(cè)（使其更易于解釋）是至關(guān)重要的。同時(shí)，我們可以去掉那些對(duì)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(gè)隨機(jī)森林分類器，在大約 2.2 秒的訓(xùn)練時(shí)間內(nèi)獲得 100% 的準(zhǔn)確率。在下面的每個(gè)示例中，每個(gè)模型的訓(xùn)練時(shí)間都將打印在每個(gè)片段的第一行，供你參考。

一旦我們的隨機(jī)森林分類器得到訓(xùn)練，我們就可以創(chuàng)建一個(gè)特征重要性圖，看看哪些特征對(duì)我們的模型預(yù)測(cè)來說是最重要的（圖 4）。在本例中，下面只顯示了前 7 個(gè)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(jī)森林認(rèn)為是最重要的，我們可以嘗試使用前 3 個(gè)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?cè)谙旅婵吹降?，僅僅使用 3 個(gè)特征，只會(huì)導(dǎo)致準(zhǔn)確率下降 0.03%，訓(xùn)練時(shí)間減少一半。

我們還可以通過可視化一個(gè)訓(xùn)練過的決策樹來理解如何進(jìn)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(gè)特征，而放棄其他特征，可能創(chuàng)建一個(gè)準(zhǔn)確度非常可觀的模型。

import graphvizfrom 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04遞歸特征消除（RFE）遞歸特征消除（RFE）將機(jī)器學(xué)習(xí)模型的實(shí)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(jī)器學(xué)習(xí)模型精度作為度量對(duì)它們進(jìn)行排序。創(chuàng)建一個(gè) 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(gè)循環(huán)迭代中注冊(cè)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(píng)估為最重要的特征的名稱（rfe.support 返回一個(gè)布爾列表，其中 true 表示一個(gè)特征被視為重要，false 表示一個(gè)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））

05

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(gè)不太可靠的解決方案。實(shí)際上，selectfrommodel 只是根據(jù)計(jì)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(cè)試 selectfrommodel 的有效性，我決定在這個(gè)例子中使用一個(gè) ExtraTreesClassifier。ExtratreesClassifier（極端隨機(jī)樹）是基于樹的集成分類器，與隨機(jī)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(xiǎn)）。隨機(jī)森林和極隨機(jī)樹的主要區(qū)別在于極隨機(jī)樹中節(jié)點(diǎn)的采樣不需要替換。

from sklearn.ensemble import ExtraTreesClassifierfrom 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））

06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(biāo)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(gè)特征之間的相關(guān)性為 0，則意味著更改這兩個(gè)特征中的任何一個(gè)都不會(huì)影響另一個(gè)。

如果兩個(gè)特征之間的相關(guān)性大于 0，這意味著增加一個(gè)特征中的值也會(huì)增加另一個(gè)特征中的值（相關(guān)系數(shù)越接近 1，兩個(gè)不同特征之間的這種聯(lián)系就越強(qiáng)）。

如果兩個(gè)特征之間的相關(guān)性小于 0，這意味著增加一個(gè)特征中的值將使減少另一個(gè)特征中的值（相關(guān)性系數(shù)越接近-1，兩個(gè)不同特征之間的這種關(guān)系將越強(qiáng)）。

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’］ = Ycorr= 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(gè)相關(guān)矩陣來更仔細(xì)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(xiàng)分析中，另一個(gè)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(gè)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(cè)試一個(gè)支持向量機(jī)模型來評(píng)估該方法的結(jié)果。

07

單變量選擇

單變量特征選擇是一種統(tǒng)計(jì)方法，用于選擇與我們對(duì)應(yīng)標(biāo)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(biāo)來評(píng)估我們的特征，以及我們希望保留的 k 個(gè)最佳特征的數(shù)量。根據(jù)我們的需要，提供不同類型的評(píng)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(fù)值作為輸入，因此，首先，我們?cè)?0 到 1 之間的范圍內(nèi)縮放輸入數(shù)據(jù)。

from sklearn.feature_selection import SelectKBestfrom 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））

08套索回歸當(dāng)將正則化應(yīng)用于機(jī)器學(xué)習(xí)模型時(shí)，我們?cè)谀Ｐ蛥?shù)上加上一個(gè)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(dāng)使用套索回歸時(shí)，如果輸入特征的系數(shù)對(duì)我們的機(jī)器學(xué)習(xí)模型訓(xùn)練沒有積極的貢獻(xiàn)，則它們會(huì)縮小。這樣，一些特征可能會(huì)被自動(dòng)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(gè)特征重要性圖來了解哪些特征被我們的模型認(rèn)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(cè)的時(shí)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：套索特征重要性圖來源：https://towardsdatascience.com/feature-selection-techniques-1bfab5fe0784
編輯：lyn