python常見特征工程

要買現(xiàn)定門的&廳需親呼些礪可月性阡但 B虧亙,sinniK^^wii?Lz0 特征使用方至去運(yùn)要買現(xiàn)定門的&廳需親呼些礪可月性阡但 B虧亙,sinniK^^wii?Lz0 特征使用方至去運(yùn)穹三常年大-H=六三二住日--黃呈口逐代；=卻征子族.跖1特征工程是什么？有這么一句話在業(yè)界廣泛流傳：數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。那特征工程到底是什么呢？顧名思義，其本質(zhì)是一項(xiàng)工程活動(dòng)，目的是最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。通過總結(jié)和歸納，人們認(rèn)為特征工程包括以下方面：7號(hào)于隈君五.六所得找口對(duì)三土里育鼠后工斯有巨注c三附?L2一RidoeA?F文—矣.善愛弟特征處理是特征工程的核心部分，sklearn提供了較為完整的特征處理方法，包括數(shù)據(jù)預(yù)處理，特征選擇，降維等。首次接觸到sklearn，通常會(huì)被其豐富且方便的算法模型庫(kù)吸引，但是這里介紹的特征處理庫(kù)也十分強(qiáng)大！本文中使用sklearn中的IRIS（文尾花）數(shù)據(jù)集來對(duì)特征處理功能進(jìn)行說明。IRIS數(shù)據(jù)集由Fisher在1936年整理，包含4個(gè)特征（Sepal.Length（花萼長(zhǎng)度）、Sepal.Width（花萼寬度）、Petal.Length（花瓣長(zhǎng)度）、Petal.Width（花瓣寬度）），特征值都為正浮點(diǎn)數(shù)，單位為厘米。目標(biāo)值為鳶尾花的分類（IrisSetosa（山鳶尾）、IrisVersicolour（雜色鳶尾），IrisVirginica（維吉尼亞鳶尾））。導(dǎo)入IRIS數(shù)據(jù)集的代碼如下：電導(dǎo)入數(shù)據(jù)集特征矩陣目標(biāo)向量2數(shù)據(jù)預(yù)處理通過特征提取，我們能得到未經(jīng)處理的特征，這時(shí)的特征可能有以下問題：不屬于同一量綱：即特征的規(guī)格不一樣，不能夠放在一起比較。無量綱化可以解決這一問題。信息冗余：對(duì)于某些定量特征，其包含的有效信息為區(qū)間劃分，例如學(xué)習(xí)成績(jī)，假若只關(guān)心及格或不及格,那么需要將定量的考分，轉(zhuǎn)換成1和0表示及格和未及格。二值化可以解決這一問題。定性特征不能直接使用：某些機(jī)器學(xué)習(xí)算法和模型只能接受定量特征的輸入，那么需要將定性特征轉(zhuǎn)換為定量特征。最簡(jiǎn)單的方式是為每一種定性值指定一個(gè)定量值，但是這種方式過于靈活，增加了調(diào)參的工作。通常使用啞編碼的方式將定性特征轉(zhuǎn)換為定量特征:假設(shè)有N種定性值，則將這一個(gè)特征擴(kuò)展為N種特征，當(dāng)原始特征值為第i種定性值時(shí)，第i個(gè)擴(kuò)展特征賦值為1,其他擴(kuò)展特征賦值為0。啞編碼的方式相比直接指定的方式，不用增加調(diào)參的工作，對(duì)于線性模型來說，使用啞編碼后的特征可達(dá)到非線性的效果。存在缺失值：缺失值需要補(bǔ)充。信息利用率低：不同的機(jī)器學(xué)習(xí)算法和模型對(duì)數(shù)據(jù)中信息的利用是不同的，之前提到在線性模型中，使用對(duì)定性特征啞編碼可以達(dá)到非線性的效果。類似地，對(duì)定量變量多項(xiàng)式化，或者進(jìn)行其他的轉(zhuǎn)換，都能達(dá)到非線性的效果。我們使用sklearn中的preproccessing庫(kù)來進(jìn)行數(shù)據(jù)預(yù)處理，可以覆蓋以上問題的解決方案。無量綱化無量綱化使不同規(guī)格的數(shù)據(jù)轉(zhuǎn)換到同一規(guī)格。常見的無量綱化方法有標(biāo)準(zhǔn)化和區(qū)間縮放法。標(biāo)準(zhǔn)化的前提是特征值服從正態(tài)分布，標(biāo)準(zhǔn)化后，其轉(zhuǎn)換成標(biāo)準(zhǔn)正態(tài)分布。區(qū)間縮放法利用了邊界值信息，將特征的取值區(qū)間縮放到某個(gè)特點(diǎn)的范圍，例如［0,1］等。標(biāo)準(zhǔn)化標(biāo)準(zhǔn)化需要計(jì)算特征的均值和標(biāo)準(zhǔn)差，公式表達(dá)為:x-X使用preproccessing庫(kù)的StandardScaler類對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的代碼如下:標(biāo)準(zhǔn)化，返回值為標(biāo)準(zhǔn)化后的數(shù)據(jù)區(qū)間縮放法區(qū)間縮放法的思路有多種，常見的一種為利用兩個(gè)最值進(jìn)行縮放，公式表達(dá)為:x-Minjuax「Mm使用preproccessing庫(kù)的MinMaxScaler類對(duì)數(shù)據(jù)進(jìn)行區(qū)間縮放的代碼如下:區(qū)間縮放，返回值為縮放到 區(qū)間的數(shù)據(jù)標(biāo)準(zhǔn)化與歸一化的區(qū)別簡(jiǎn)單來說，標(biāo)準(zhǔn)化是依照特征矩陣的列處理數(shù)據(jù)，其通過求z-score的方法，將樣本的特征值轉(zhuǎn)換到同一量綱下。歸一化是依照特征矩陣的行處理數(shù)據(jù)，其目的在于樣本向量在點(diǎn)乘運(yùn)算或其他核函數(shù)計(jì)算相似性時(shí)，擁有統(tǒng)一的標(biāo)準(zhǔn)，也就是說都轉(zhuǎn)化為單位向量”規(guī)則為l2的歸一化公式如下：使用preproccessing庫(kù)的Normalizer類對(duì)數(shù)據(jù)進(jìn)行歸一化的代碼如下:

歸一化，返回值為歸一化后的數(shù)據(jù)對(duì)定量特征二值化定量特征二值化的核心在于設(shè)定一個(gè)閾值，大于閾值的賦值為1,小于等于閾值的賦值為0,公式表達(dá)如下：匯_[LH>threshold使用preproccessing庫(kù)的Binarizer類對(duì)數(shù)據(jù)進(jìn)行二值化的代碼如下：二值化，閾值設(shè)置為3返回值為二值化后的數(shù)據(jù)對(duì)定性特征啞編碼由于IRIS數(shù)據(jù)集的特征皆為定量特征，故使用其目標(biāo)值進(jìn)行啞編碼（實(shí)際上是不需要的）。使用preproccessing庫(kù)的OneHotEncoder類對(duì)數(shù)據(jù)進(jìn)行啞編碼的代碼如下：?jiǎn)【幋a，對(duì) 數(shù)據(jù)集的目標(biāo)值，返回值為啞編碼后的數(shù)據(jù)缺失值計(jì)算由于IRIS數(shù)據(jù)集沒有缺失值，故對(duì)數(shù)據(jù)集新增一個(gè)樣本，4個(gè)特征均賦值為NaN，表示數(shù)據(jù)缺失。使用preproccessing庫(kù)的Imputer類對(duì)數(shù)據(jù)進(jìn)行缺失值計(jì)算的代碼如下：電缺失值計(jì)算，返回值為計(jì)算缺失值后的數(shù)據(jù)參數(shù) 為缺失值的表示形式，默認(rèn)為參數(shù) 為缺失值填充方式，默認(rèn)為（均值）數(shù)據(jù)變換

常見的數(shù)據(jù)變換有基于多項(xiàng)式的、基于指數(shù)函數(shù)的、基于對(duì)數(shù)函數(shù)的。4個(gè)特征，度為2的多項(xiàng)式轉(zhuǎn)換公式如下：||'十』『『.Hfar『*■?*『s'1|1』1產(chǎn)工/召產(chǎn)口產(chǎn)國(guó)56產(chǎn)7產(chǎn)日工國(guó)51口產(chǎn)1L月1W產(chǎn)13：,^14產(chǎn)157=5須片手風(fēng)小型工工町*x2rrL*麗，力*/?瞄，孫*向，陽(yáng)*孫?若聲&*%，琢）使用preproccessing庫(kù)的PolynomialFeatures類對(duì)數(shù)據(jù)進(jìn)行多項(xiàng)式轉(zhuǎn)換的代碼如下：多項(xiàng)式轉(zhuǎn)換參數(shù)為度，默認(rèn)值為基于單變?cè)瘮?shù)的數(shù)據(jù)變換可以使用一個(gè)統(tǒng)一的方式完成，使用preproccessing庫(kù)的FunctionTransformer對(duì)數(shù)據(jù)進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換的代碼如下：自定義轉(zhuǎn)換函數(shù)為對(duì)數(shù)函數(shù)的數(shù)據(jù)變換第一個(gè)參數(shù)是單變?cè)瘮?shù)2.6回顧類功能說明StandardScaler無量綱化標(biāo)準(zhǔn)化，基于特征矩陣的列，將特征值轉(zhuǎn)換至服從標(biāo)準(zhǔn)正態(tài)分布MinMaxScaler無量綱化區(qū)間縮放，基于最大最小值，將特征值轉(zhuǎn)換到［0,1］區(qū)間上Normalizer歸一化基于特征矩陣的行，將樣本向量轉(zhuǎn)換為單位向量Binarizer二值化基于給定閾值，將定量特征按閾值劃分OneHotEncoder啞編碼將定性數(shù)據(jù)編碼為定量數(shù)據(jù)Imputer缺失值計(jì)算計(jì)算缺失值，缺失值可填充為均值等PolynomialFeatures多項(xiàng)式數(shù)據(jù)轉(zhuǎn)換多項(xiàng)式數(shù)據(jù)轉(zhuǎn)換FunctionTransformer自定義單元數(shù)據(jù)轉(zhuǎn)換使用單變?cè)暮瘮?shù)來轉(zhuǎn)換數(shù)據(jù)3特征選擇當(dāng)數(shù)據(jù)預(yù)處理完成后，我們需要選擇有意義的特征輸入機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練。通常來說，從兩個(gè)方面考慮來選擇特征：特征是否發(fā)散：如果一個(gè)特征不發(fā)散，例如方差接近于0，也就是說樣本在這個(gè)特征上基本上沒有差異，這個(gè)特征對(duì)于樣本的區(qū)分并沒有什么用。特征與目標(biāo)的相關(guān)性：這點(diǎn)比較顯見，與目標(biāo)相關(guān)性高的特征，應(yīng)當(dāng)優(yōu)選選擇。除方差法外，本文介紹的其他方法均從相關(guān)性考慮。根據(jù)特征選擇的形式又可以將特征選擇方法分為3種：Filter：過濾法，按照發(fā)散性或者相關(guān)性對(duì)各個(gè)特征進(jìn)行評(píng)分，設(shè)定閾值或者待選擇閾值的個(gè)數(shù)，選擇特征。Wrapper：包裝法，根據(jù)目標(biāo)函數(shù)（通常是預(yù)測(cè)效果評(píng)分），每次選擇若干特征，或者排除若干特征。Embedded：嵌入法，先使用某些機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練，得到各個(gè)特征的權(quán)值系數(shù)，根據(jù)系數(shù)從大到小選擇特征。類似于Filter方法，但是是通過訓(xùn)練來確定特征的優(yōu)劣。我們使用sklearn中的feature_selection庫(kù)來進(jìn)行特征選擇。Filter方差選擇法使用方差選擇法，先要計(jì)算各個(gè)特征的方差，然后根據(jù)閾值，選擇方差大于閾值的特征。使用feature_selection庫(kù)的VarianceThreshold類來選擇特征的代碼如下：方差選擇法，返回值為特征選擇后的數(shù)據(jù)參數(shù) 為方差的閾值相關(guān)系數(shù)法使用相關(guān)系數(shù)法，先要計(jì)算各個(gè)特征對(duì)目標(biāo)值的相關(guān)系數(shù)以及相關(guān)系數(shù)的P值。用feature_selection庫(kù)的SelectKBest類結(jié)合相關(guān)系數(shù)來選擇特征的代碼如下：電

選擇個(gè)最好的特征，返回選擇特征后的數(shù)據(jù)第一個(gè)參數(shù)為計(jì)算評(píng)估特征是否好的函數(shù)，該函數(shù)輸入特征矩陣和目標(biāo)向量，輸出二元組（評(píng)分，值）的數(shù)組，數(shù)組第項(xiàng)為第個(gè)特征的評(píng)分和值。在此定義為計(jì)算相關(guān)系數(shù)參數(shù)為選擇的特征個(gè)數(shù)電卡方檢驗(yàn)經(jīng)典的卡方檢驗(yàn)是檢驗(yàn)定性自變量對(duì)定性因變量的相關(guān)性。假設(shè)自變量有N種取值，因變量有M種取值，考慮自變量等于i且因變量等于j的樣本頻數(shù)的觀察值與期望的差距，構(gòu)建統(tǒng)計(jì)量：這個(gè)統(tǒng)計(jì)量的含義簡(jiǎn)而言之就是自變量對(duì)因變量的相關(guān)性。用feature_selection庫(kù)的SelectKBest類結(jié)合卡方檢驗(yàn)來選擇特征的代碼如下：選擇個(gè)最好的特征，返回選擇特征后的數(shù)據(jù)互信息法經(jīng)典的互信息也是評(píng)價(jià)定性自變量對(duì)定性因變量的相關(guān)性的，互信息計(jì)算公式如下：“X⑶24網(wǎng)則出為了處理定量數(shù)據(jù)，最大信息系數(shù)法被提出，使用feature_selection庫(kù)的SelectKBest類結(jié)合最大信息系數(shù)法來選擇特征的代碼如下：電由于的設(shè)計(jì)不是函數(shù)式的，定義 方法將其為函數(shù)式的，返回一個(gè)二元組，二元組的第項(xiàng)設(shè)置成固定的值

選擇個(gè)最好的特征，返回特征選擇后的數(shù)據(jù)Wrapper遞歸特征消除法遞歸消除特征法使用一個(gè)基模型來進(jìn)行多輪訓(xùn)練，每輪訓(xùn)練后，消除若干權(quán)值系數(shù)的特征，再基于新的特征集進(jìn)行下一輪訓(xùn)練。使用feature_selection庫(kù)的RFE類來選擇特征的代碼如下:遞歸特征消除法，返回特征選擇后的數(shù)據(jù)參數(shù)參數(shù)參數(shù)參數(shù)為基模型為選擇的特征個(gè)數(shù)Embedded基于懲罰項(xiàng)的特征選擇法使用帶懲罰項(xiàng)的基模型，除了篩選出特征外，同時(shí)也進(jìn)行了降維。使用feature_selection庫(kù)的SelectFromModel類結(jié)合帶Li懲罰項(xiàng)的邏輯回歸模型，來選擇特征的代碼如下：帶 懲罰項(xiàng)的邏輯回歸作為基模型的特征選擇Li懲罰項(xiàng)降維的原理在于保留多個(gè)對(duì)目標(biāo)值具有同等相關(guān)性的特征中的一個(gè)，所以沒選到的特征不代表不重要。故，可結(jié)合L2懲罰項(xiàng)來優(yōu)化。具體操作為：若一個(gè)特征在Li中的權(quán)值為1,選擇在L2中權(quán)值差別不大且在Li中權(quán)值為0的特征構(gòu)成同類集合，將這一集合中的特征平分Li中的權(quán)值，故需要構(gòu)建一個(gè)新的邏輯回歸模型：

使用feature_selection庫(kù)的SelectFromModel類結(jié)合帶Li以及L2懲罰項(xiàng)的邏輯回歸模型，來選擇特征的代碼如下:帶和 懲罰項(xiàng)的邏輯回歸作為基模型的特征選擇參數(shù) 為權(quán)值系數(shù)之差的閾值基于樹模型的特征選擇法樹模型中GBDT也可用來作為基模型進(jìn)行特征選擇，使用feature_selection庫(kù)的SelectFromModel類結(jié)合GBDT模型，來選擇特征的代碼如下：作為基模型的特征選擇回顧類所屬方式說明VarianceThresholdFilter方差選擇法SelectKBestFilter可選關(guān)聯(lián)系數(shù)、卡方校驗(yàn)、最大信息系數(shù)作為得分計(jì)算的方法RFEWrapper遞歸地訓(xùn)練基模型，將權(quán)值系數(shù)較小的特征從特征集合中消除SelectFromModelEmbedded訓(xùn)練基模型，選擇權(quán)值系數(shù)較高的特征4降維當(dāng)特征選擇完成后，可以直接訓(xùn)練模型了，但是可能由于特征矩陣過大，導(dǎo)致計(jì)算量大，訓(xùn)練時(shí)間長(zhǎng)的問題，因此降低特征矩陣維度也是必不可少的。常見的降維方法除了以上提到的基于Li懲罰項(xiàng)的模型以外，另外還有主成分分析法（PCA）和線性判別分析（LDA），線性判別分析本身也是一個(gè)分類模型。PCA和LDA有很多的相似點(diǎn)，其本質(zhì)是要將原始的樣本映射到維度更低的樣本空間中，但是PCA和LDA的映射目標(biāo)不一樣：PCA是為了讓映射后的樣本具有最大的發(fā)散性；而LDA是為了讓映射后的樣本有最好的分類性能。所以說PCA是一種無監(jiān)督的降維方法，而LDA是一種有監(jiān)督的降維方法。主成分分析法（PCA）使用decomposition庫(kù)的PCA類選擇特征的代碼如下:主成分分析法，返回降維后的數(shù)據(jù)參數(shù) 為主成分?jǐn)?shù)目線性判別分析法（LDA）使用Ida庫(kù)的LDA類選擇特征的代碼如下:線性判別分析法，返回