大数据案例分析（2）—— 特征工程概述

特征工程

• 维基百科定义
  Feature engineering is the process of using domain knowledge of the data to create features that make machine learning algorithms work.

自动分词

自动分词就是将用自然语言书写的文章、句段经计算机处理后，以词为单位给以输出，为后续加工处理提供先决条件。

例：

• “我来到北京清华大学。”
  ——>“我/来到/北京/清华大学/。/”
• “I came to Tsinghua University in Beijing.”
  ——>“I/ came/ to/ Tsinghua/ University/ in/ Beijing/ ./”

词根提取与词形还原

• 词根提取（stemming）: 是抽取词的词干或词根形式（不一定能够表达完整语义）
  原文：’ And I also like eating apple’
  词根提取后：[‘and’,‘I’,‘also’,‘like’,‘to’,‘eat’,‘appl’]]

• 词形还原（lemmatization）: 是把词汇还原为一般形式（能表达完整语义）。如将"drove"处理为"drive"。
  原文：’ And I also like eating apple’
  词根提取后：[‘And’,‘I’,‘also’,‘like’,‘to’,u’eat’,‘apple’]]

词性标注

• 词性标注（part-of-speech tagging）：是指为分词结果中的每个单词标注一个正确的词性的程序，也即确定每个词是名词、动词、形容词或者其他词性的过程。
• 举例："I like eating apple."的词性标注结果为
  [(‘I’,‘PRP’),(‘like’,‘VBP’),(‘eating’,‘VBG’),(‘apple’,‘NN’),(’.’,’.’)]

标注规范详见https://blog.csdn.net/eli00001/article/details/75088444?locationNum=1&fps=1

句法分析

句法分析（Syntactic analysis）: 其基本任务是确定句子的句法结构或者句子中词汇之间的依存关系。

几个常用的工具

• NLTK
• Text Processing API
• 基于curl访问Text Processing API
• TextBlob 工具
• 中文处理工具jieba

向量空间模型及文本相似度计算

文档的向量化表示：BOW假设和VSM模型

为了便于计算文档之间的相似度，需把文档转成统一空间的向量。

• BOW（bag-of-words-model）:为了计算文档之间的相似度，假设可以忽略文档内的单词顺序和语法、句法等要素，将其仅仅看作是若干个词汇的集合。
• VSM（Vector space model）: 即向量空间模型。其是指在BOW词袋模型假设下，将每个文档表示成同一向量空间的向量。

例：
假设有下面三个文档：
D1: ‘Jobs was the chairman of Apple Inc, and he was very famous’,
D2: ‘I like to use apple computer’,
D3: ‘And I also like to eat apple’

• 类似这样一批文档的集合，通常也被陈给文集或者语料(corpus)。
• 上述语料中，共有17个不同的词：
  
• 因此可以构造一个17维的向量空间：

停用词

• 停用词通常是非常常见且实际意义有限的词，如英文中的"the",“a”,"of"等；中文中的“的”、“是”、“而且”等。几乎可能出现在所有场合，因而对某些应用如信息检索、文本分类等区分度不大，所以这些词在构建向量空间时通常会被过滤掉。
• 注意：但在某些应用如短语搜索pharse search 中，停用词可能是重要的构成部分，因此要避免进行停用词过滤。

N-gram模型

• N-gram通常是指一段文本或语音中连续N个项目（item）的序列。项目可以是单词、字母、碱基对等。
• N=1时称为uni-gram，N=2称为bi-gram，N=3称为tri-gram，以此类推。
• 举例：对于文本 ‘And I also like to eat apple’
  Uni-gram: And ,I ,also ,like ,to ,eat ,apple
  Bi-gram: And I, I also, also like, like to, to eat, eat apple
  Tri-gram: And I also, I also like,also like to,like to eat,to eat apple

文档之间的欧氏距离

文档之间的余弦相似度

余弦相似度详见：https://blog.csdn.net/u012160689/article/details/15341303

Tf-idf词条权重计算

• 背景：特征向量里某些高频词在文集内其他文档里面也经常出现。他们往往太普遍，对区分文档起的作用不大。
  例如：
  D1: ‘Jobs was the chairman of Apple Inc’,
  D2: ‘I like to use apple computer’,
  这两个文档都是关于苹果电脑的，则词条"apple"对分类意义不大。因此有必要抑制那些在很多文档中都出现了的词条的权重。

• 在tf-idf 模式下，词条t在文档d中的权重计算为：
  w(t) = tf(t,d) * idf(t)
  其中，tf(t,d)表示为词条t在文档d中出现的频率，idf(t)表示与包含词条t的文档数目成反比（inverse document frequency）

• TF = 在某一类词条中w出现的次数/该类中所有的词条数目

• IDF = log（语料库中的文档总数 / 包含词条w的文档数 + 1 ）

例：

tf-idf详见：https://blog.csdn.net/asialee_bird/article/details/81486700

特征处理（特征缩放、选择及降维）

特征值的缩放

• 特征值缩放（Feature Scaler）也可以称为无量纲处理。主要是对每个列，即同一特征维度的数值进行规范化处理。
• 应用背景：
• • 不同特征（列）可能不属于同一量纲，即特征的规格不一样。例如，假设特征向量由两个解释变量构成，第一个变量值范围[0,1]，第二个变量值范围[0,100]。
• • 如果某一特征的方差数量级较大，可能会主导目标函数，导致其他特征的影响被忽略。
• 常用方法：标准化法 、区间缩放法

标准化法

• 标准化的前提是特征值服从正态分布
• 标准化需要计算特征的均值和标准差，公式表达为：
  X_scale = (X(axis=0) - X.mean(axis=0)) / X.std(axis=0)

区间缩放法

• 区间缩放法利用了边界值信息，将特征的取值区间缩放到某一特定范围。假设max和min为希望的调整后范围，则
  
• 由于希望的调整后范围一般为[0,1]，此时，公式变为
  

特征值的归一化

• 归一化是依照特征矩阵的行（样本）处理数据，其目的在于样本向量在点乘运算或计算相似性时，拥有统一的标准，也就是说都转化为"单位向量"。即使每个样本的范式(norm)等于1。
  

定量特征的二值化

• 对于某些定量特征，需要将定量信息转为区间划分。如将考试成绩转为“及格”或“不及格”
• 方法：设定一个阈值，大于或者等于阈值的赋值为1，小于阈值的赋值为0。

缺失特征值的弥补计算

• 背景：数据获取时，由于某些原因，缺少某些数值，需要进行弥补。
• 常见的弥补策略：利用统一特征的均值进行弥补。

创建多项式特征

• 如果基于线性特征的模型不够理想，也可以尝试创建多项式特征
• • 例如，两个特征(X1,X2)，它的平方展开式便转换成（1,X1,X2,X1X2,X1²,X2²）
• • 也可以自定义选择只保留特征相乘的多项式项。即将特征(X1,X2）转换成(1,X1,X2,X1*X2)
• 得到多项式特征后，知识特征空间发生了变化。

特征选择

• 特征选择是选择对于学习任务（如分类问题）有帮助的若干特征。
  作用
  1）降维以提升模型的效率；
  2）降低学习任务的难度；
  3）增加模型的可解释性；

• 特征选择的角度：
  特征是否发散：对于不发散的特征，样本在其维度上差异性较小。
  特征与目标的相关性：应当优先选择与目标相关性高的特征。

• 几种常见的特征选择方法：
  方差选择法
  Pearson相关系数法
  基于森林的特征选择法
  递归特征消除法

1、方差选择法

• 原理：方差非常小的特征维度对于样本的区分作用很小， 可以剔除。
• 例如：假设数据集为布尔特征，想要去掉那些超过80%情况下为1或者为0的特征。由于布尔特征是伯努利随机变量，其方差可以计算为Var[x] = p*(1-p)，因此阈值为0.8*(1-0.8)=0.16:
  
  第一列的方差为5/6 * 1/6 = 0.14，小于0.16。因此可以被过滤掉。

2、pearson相关系数法

• pearson相关系数显示两个随机变量之间线性关系的强度和方向。计算公式为
  
• 计算完毕后，可以将与目标值相关性较小的特征过滤掉
• 注意：pearson相关系数对线性关系比较敏感。如果关系是非线性的，即便两个变量具有一一对应的关系，pearson相关性也可能会接近0。

3、基于森林的特征选择

• 其原理是某些分类器，自身提供了特征的重要性分值。因此可以直接调用这些分类器，得到特征重要性分值，并排序。

4、递归特征消除法

• （以sklearn中的函数为例）递归特征消除（RFE）的基本步骤：
  1、首先在初始特征或者权重特征集合上训练。通过学习器返回的coef_属性或者feature_importances_属性来获得每个特征的重要程度。
  2、然后最小权重的特征被移除。
  3、这个过程递归进行，知道希望的特征数目满足为止。

特征降维——线性判别分析法（LDA）

• 降维本质上是从一个维度空间映射到另一个维度空间。
• 线性判别分析是一种监督学习的降维技术，即数据集的每个样本有类别输出。
• LDA的基本思想：“投影后类内方差最小，类间方差最大”。即将数据在低维度上进行投影，投影后希望同类数据的投影点尽可能接近，而不同类数据的类别中心之间的距离尽可能大。
  
  右图投影效果就比左图好。

特征降维——主成分分析法（PCA）

• 主成分分析是一种无监督的降维方法。
• PCA的基本思想是采用数学变换，把给定的一组相关特征维度通过线性变换转成另一组不相关的维度，这些新的维度按照方差依次递减的顺序排列：形成第一主成分，第二主成分等。

   ———— 内容来源：中国大学MOOC 《深度学习基础》 哈尔滨工业大学 刘远超