机器学习数据分析——数据特征选定

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。因此，特征过程的本质就是一项工程活动，目的是最大限度地从原始数据中提取合适的特征，以供算法和模型使用。特征处理是特征工程的核心部分，scikit-leam提供了较为完整的特征处理方法，包括数据预处理、特征选择、降维等。以下介绍四个数据特征选择的方法：单变量特征选定、递归特征消除、主要成分分析、特征的重要性。

特征选定

特征选定是一个流程，能够选择有助于提高预测结果准确度的特征数据，或者有助于发现我们感兴趣的输出结果的特征数据。如果数据中包含无关的特征属性，会降低算法的准确度，对预测新数据造成干扰，尤其是线性相关算法（如线性回归算法和逻辑回归算法）。因此，在开始建立模型之前，执行特征选定有助于：
降低数据的拟合度：较少的冗余数据，会使算法得出结论的机会更大。
提高算法精度：较少的误导数据，能够提高算法的准确度。
减少训练时间：越少的数据，训练模型所需要的时间越少。
scikit-leam的特征选定文档（http://scikit-learn.org/stable/modules/feature_selection.html）

单变量特征选定

统计分析可以用来分析选择对结果影响最大的数据特征。在scikit-leam中提供了SelectKBest类，可以使用一系列统计方法来选定数据特征，是对卡方检验的实现。经典的卡方检验是检验定性自变量对定性因变量的相关性的方法。假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望值的差距，构建统计量。卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度，偏离程度决定了卡方值的大小，卡方值越大，越不符合；卡方值越小，偏差越小，越趋于符合；若两个值完全相等，卡方值就为0，表明理论值完全符合。下面的例子是通过卡方检验（chi-squared）的方式来选择四个对结果影响最大的数据特征。

#通过卡方检验选定数据特征
from pandas import read_csv
from nurnpy import set_printoptions 
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2 
#导入数据
filename ='pima_data.csv' 
names= ['preg','plas','pres','skin','test','mass','pedi','age','class'] 
data= read_csv(filename, names=names) 
#将数据分为输入数据和输出结果
array = data.values 
x = array [ : , 0: 8] 
Y = array [:, 8]
#特征选定
test = SelectKBest(score_func=chi2,k=4) 
fit = test.fit(X, Y) 
set_printoptions(precision=3) 
print(fit.scores_) 
features = fit.transform(X) 
print(features)

执行结束后，得到了卡方检验对每一个数据特征的评分，以及得分最高的四个数据特征。
通过设置Select.KBest的score_func参数，Select.KBest不仅可以执行卡方检验来选择数据特征，还可以通过相关系数、互信息法等统计方法来选定数据特征。

递归特征消除

归特征消除（盯E）使用一个基模型来进行多轮训练，每轮训练后消除若干权值系数的特征，再基于新的特征集进行下一轮训练。通过每一个基模型的精度，找到对最的预测结果影响最大的数据特征。面的例子是以逻辑回归算法为基模型，通过递归特征消除来选定对预测结果影响最大的三个数据特征。

#通过递归消除来选定特征
from pandas import read_csv
from sklearn.feature_selection import RFE 
from sklearn.linear_model import LogisticRegression
#导入数据
filename ='pima_data.csv' 
names= ['preg','plas','pres','skin','test','mass','pedi','age','class'] 
data= read_csv(filename, names=names) 
#将数据分为输入数据和输出结果
array = data.values 
x = array [ : , 0: 8] 
Y = array [:, 8]
#特征选定
model= LogisticRegression()
rfe = RFE (model, 3) 
fit = rfe.fit(X, Y) 
print("特征个数2")
print(fit.n_features_) 
print("被选定的特征:") 
print(fit.support) 
print("特征排名：")
print(fit.ranking_)

主要成分分析

主要成分分析（PCA）是使用线性代数来转换压缩数据，通常被称作数据降维。常见的降维方法除了主要成分分析（PCA），还有线性判别分析（LDA），它本身也是一个分类模型。PCA和LDA有很多的相似之处，其本质是将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能。所以说，PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。在聚类算法中，通常会利用PCA对数据进行降维处理，以利于对数据的简化分析和可视化。详细内容请参考scikit-leam的API文档。

#通过主要成分分析来选定特征
from pandas import read_csv
from sklearn.decomposition import PCA 
#导入数据
filename ='pima_data.csv' 
names= ['preg','plas','pres','skin','test','mass','pedi','age','class'] 
data= read_csv(filename, names=names) 
#将数据分为输入数据和输出结果
array = data.values 
x = array [ : , 0: 8] 
Y = array [:, 8]
#特征选定
pea = PCA(n_components=3) 
fit = pea.fit(X) 
print("解释方差：%s" %s fit.explained_variance_ratio_) print(fit.components_) 

特征重要性

袋装决策树算法（Bagged Decision Tress ）、随机森林算法和极端随机树算法都可以用来计算数据特征的重要性。这三个算法都是集成算法中的袋装算沽。下面是用ExtraTreesClassifier类进行特征的重要性计算的例子。

#通过决策树计算特征的重要性
from pandas import read_csv
from sklearn.ensemble import ExtraTreesClassifier
#导入数据
filename ='pima_data.csv' 
names= ['preg','plas','pres','skin','test','mass','pedi','age','class'] 
data= read_csv(filename, names=names) 
#将数据分为输入数据和输出结果
array = data.values 
x = array [ : , 0: 8] 
Y = array [:, 8]
#特征选定
model = ExtraTreesClassifier() 
fit = model.fit(X, Y) 
print(fit.feature_importances_)

执行后，可以看见算法给出了每一个数据特征的得分。