机器学习之路5
特征降维
降维：
是指在某些限定条件下，降低随机变量（特征）的个数，得到一组“不相关”的主变量的过程。
此处的降维是指降低特征的个数，降维的效果是特征与特征之间不相关。
因为在进行训练的时候，我们都是使用特征在进行学习，如果特征本身存在问题或者特征之间相关性比较强，对于算法学习预测会影响较大。
相关特征：
如：
相对湿度和降雨量。
熬夜时常和身体健康情况
等等
降维的两种方式：
特征选择
主成分分析（可以理解成一种特征提取的方式）
特征选择：
数据中包含冗余或相关变量（或称特征，属性，指标等），旨在从原有特征中找出主要特征。
特征选择方法：
Filter(过滤法)：主要探究特征本身的特点，特征与特征和目标值之间关联。1 方差选择法：第方差特征过滤。 2 相关系数法。
Embedded（嵌入式）：算法自动选择特征（特征与目标值之间的关联）。 1 决策树：信息熵，信息增益。2 正则化：L1,L2 。 3 深度学习：卷积等。
低方差特征过滤：
删除低方差的一些特征，因为：特征方差越小，某个特征大多样本的值就比较接近。特征方差越大，某个特征的很多样本的值都有差别。
相关系数：
皮尔逊相关系数，反映了变量之间相关关系密切程度的统计指标。
公式：
相关系数的值介于-1与+1之间，即 -1<= r <=1 其性质如下：
当 r > 0 时，表示变量之间正相关， r < 0 时，表示变量之间负相关，
当 |r| = 1 时，表示两个变量完全相关， 当 r = 0 时，表示两个变量间无相关关系，
当 0 <= |r| <=1 时，表示两变量存在一定程度的相关，且|r|越接近于1，两变量间线性关系越密切；
|r|越接近于0，两变量间线性相关越弱。
一般可按三级划分： |r| < 0.4 为低度相关，0.4 < |r| < 0.7 为显著性相关，0.7 < |r| < 1 为高度线性相关。
代码：
#导入低方差特征值过滤的模块 from sklearn.feature_selection import VarianceThreshold #导入计算两个特征值变量之间相关系数的模块 from scipy.stats import pearsonr
#特征值的低方差过滤
def variance_demo():
'''
过滤低方差的特征
:return:
'''
#1 获取数据
data = pd.read_csv('factor_returns.csv')
# 保留数据额所有行，和第2到倒数第2列
data = data.iloc[:,1:-2]
print(data,data.shape)
#2 实例化一个转换器类,threshold设置阈值，特征值的方差低于5的特征都会被删除
tranfer = VarianceThreshold(threshold=10)
#3 调用fit_transform
data_new = tranfer.fit_transform(data)
print('data_new:\n' ,data_new,data_new.shape)
#计算两个变量的相关系数,返回结果的第一个值是相关系数，大于0是正相关，小于0是负相关
r1 = pearsonr(data['pe_ratio'],data['pb_ratio'])
r2 = pearsonr(data['revenue'],data['total_expense'])
print('相关系数是：\n',r1)
print('相关系数是：\n', r2)
return None
结果：
主成分分析（PCA）
是高维数据转化成低维数据的过程，在此过程中可能会舍弃原有数据，创造新的变量。它的作用是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息。
代码
#导入主成分分析PCA模块 from sklearn.decomposition import PCA
#主成分分析PCA
def pca_demo():
'''
PCA降低维度
:return:
'''
#3行4列的数据，4个特征
data = [[2,8,4,5],[6,3,0,0],[5,4,9,1]]
#1 实例化一个转换器类
#把4个特征，降低为2个特征（传入整数就是要降低到几维，传小数就是保留百分之多少的信息）
transfer = PCA(n_components=0.95)
#2 调用fit_transform
data_new = transfer.fit_transform(data)
print('data_new: \n',data_new)
return None
结果
可以看到，输入数据的三行四列，在输出时降低到了3行两列