使用 Python 实现机器学习特征选择的 4 种方法

作者:Sugandha Lahoti,翻译:李洁,转自:数据派(ID:datapi)

注:本文节选自Ankit Dixit所著的《集成机器学习》(Ensemble Machine Learning)一书。这本书组合强大的机器学习算法来建立优化模型,可以作为初学者的指南。

在本文中,我们将研究从数据集中选择特征的不同方法;同时通过使用Python中Scikit-learn (sklearn)库实现讨论了特征选择算法的类型:

  • 单变量选择
  • 递归特征消除(RFE)
  • 主成分分析(PCA)
  • 选择重要特征(特征重要度)
  • 我们简要介绍了前三种算法及其实现。然后我们将详细讨论在数据科学社区中广泛使用的选择重要特征(特性重要度)部分的内容。

    单变量选择

    统计测试可用于选择那些与输出变量关系最强的特征。

    scikit-learn库提供了SelectKBest类,它可以与一组不同的统计测试一起使用,以选择特定数量的特征。

    下面的例子使用chi²非负性特征的统计测试,从皮马印第安人糖尿病发病数据集中选择了四个最好的特征:
    #Feature Extraction with Univariate Statistical Tests (Chi-squared for classification)

    #Import the required packages

    #Import pandas to read csv import pandas

    #Import numpy for array related operations import numpy

    #Import sklearn's feature selection algorithm

    from sklearn.feature_selection import SelectKBest

    #Import chi2 for performing chi square test from sklearn.feature_selection import chi2

    #URL for loading the dataset

    url ="https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"

    #Define the attribute names

    names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

    #Create pandas data frame by loading the data from URL

    dataframe = pandas.read_csv(url, names=names)

    #Create array from data values

    array = dataframe.values

    #Split the data into input and target

    X = array[:,0:8]

    Y = array[:,8]

    #We will select the features using chi square

    test = SelectKBest(score_func=chi2, k=4)

    #Fit the function for ranking the features by score

    fit = test.fit(X, Y)

    #Summarize scores numpy.set_printoptions(precision=3) print(fit.scores_)

    #Apply the transformation on to dataset

    features = fit.transform(X)

    #Summarize selected features print(features[0:5,:])

    你可以看到每个参数的得分,以及所选择的四个参数(得分最高的):plas、test、mass和age。

    每个特征的分数为:
    [111.52 1411.887 17.605 53.108 2175.565 127.669 5.393

    181.304]

    被选出的特征是:
    [[148. 0. 33.6 50. ]

    [85. 0. 26.6 31. ]

    [183. 0. 23.3 32. ]

    [89. 94. 28.1 21. ]

    [137. 168. 43.1 33. ]]

    递归特征消除(RFE)

    RFE的工作方式是递归地删除参数并在保留的参数上构建模型。它使用模型精度来判断哪些属性(以及属性的组合)对预测目标参数贡献最大。你可以在scikit-learn的文档中了解更多关于RFE类的信息。

    下面的示例使用RFE和logistic回归算法来选出前三个特征。算法的选择并不重要,只需要熟练并且一致:
    #Import the required packages

    #Import pandas to read csv import pandas

    #Import numpy for array related operations import numpy

    #Import sklearn's feature selection algorithm from sklearn.feature_selection import RFE

    #Import LogisticRegression for performing chi square test from sklearn.linear_model import LogisticRegression

    #URL for loading the dataset

    url =

    "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-dia betes/pima-indians-diabetes.data"

    #Define the attribute names

    names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

    #Create pandas data frame by loading the data from URL

    dataframe = pandas.read_csv(url, names=names)

    #Create array from data values

    array = dataframe.values

    #Split the data into input and target

    X = array[:,0:8]

    Y = array[:,8]

    #Feature extraction

    model = LogisticRegression() rfe = RFE(model, 3)

    fit = rfe.fit(X, Y)

    print("Num Features: %d"% fit.n_features_) print("Selected Features: %s"% fit.support_) print("Feature Ranking: %s"% fit.ranking_)

    执行完上述代码后,我们可以得到:
    Num Features: 3

    Selected Features: [ True False False False False True True False]

    Feature Ranking: [1 2 3 5 6 1 1 4]

    你可以看到RFE选择了前三个特性,即preg、mass和pedi。这些在support_数组中被标记为True,在ranking_数组中被标记为首选(标记为1)。

    主成分分析

    PCA使用线性代数将数据集转换为压缩格式。通常,它被认为是一种数据约简技术。PCA的一个属性是,你可以选择转换结果中的维数或主成分的数量。

    在接下来的例子中,我们使用PCA并选择了三个主成分:
    #Import the required packages

    #Import pandas to read csv import pandas

    #Import numpy for array related operations import numpy

    #Import sklearn's PCA algorithm

    from sklearn.decomposition import PCA

    #URL for loading the dataset

    url =

    "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"

    #Define the attribute names

    names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']

    dataframe = pandas.read_csv(url, names=names)

    #Create array from data values

    array = dataframe.values

    #Split the data into input and target

    X = array[:,0:8]

    Y = array[:,8]

    #Feature extraction

    pca = PCA(n_components=3) fit = pca.fit(X)

    #Summarize components

    print("Explained Variance: %s") % fit.explained_variance_ratio_

    print(fit.components_)

    你可以看到,转换后的数据集(三个主成分)与源数据几乎没有相似之处:

    Explained Variance: [ 0.88854663 0.06159078 0.02579012]

    [[ -2.02176587e-03 9.78115765e-02 1.60930503e-02 6.07566861e-02

    9.93110844e-01 1.40108085e-02 5.37167919e-04 -3.56474430e-03]

    [ -2.26488861e-02 -9.72210040e-01 -1.41909330e-01 5.78614699e-02 9.46266913e-02 -4.69729766e-02 -8.16804621e-04 -1.40168181e-01

    [ -2.24649003e-02 1.43428710e-01 -9.22467192e-01 -3.07013055e-01 2.09773019e-02 -1.32444542e-01 -6.39983017e-04 -1.25454310e-01]]

    选择重要特征(特性重要度)

    特征重要度是一种利用训练好的有监督分类器来选择特征的技术。当我们训练分类器(如决策树)时,我们计算每个参数以创建分割;我们可以使用这个度量作为特征选择器。让我们来详细了解一下。

    随机森林由于其相对较好的准确性、鲁棒性和易用性而成为最受欢迎的机器学习方法之一。它们还提供了两种简单易行的特征选择方法——均值降低杂质和均值降低准确度。

    随机森林由许多决策树组成。决策树中的每个节点都是一个基于单个特征的条件,其设计目的是将数据集分割成两个,以便相似的响应值最终出现在相同的集合中。选择(局部)最优条件的度量叫做杂质。对于分类问题,它通常是基尼杂质或信息增益/熵,而对于回归树,它是方差。因此,当训练一棵树时,可以通过每个特征减少的树中加权杂质的多少来计算。对于森林,可以对每个特征的杂质减少量进行平均,并根据该方法对特征进行排序。

    让我们看一下如何使用随机森林分类器来进行特征选择,并评估特征选择前后分类器的准确性。我们将使用Otto数据集。该数据集可从kaggle免费获得(你需要注册kaggle才能下载该数据集)。你可以从https://www.kaggle.com/c/otto-group-product- classifics-challenge/data下载训练集train.csv.zip,然后将解压缩的train.csv文件放在你的工作目录中。

    这个数据集描述了超过61,000个产品的93个模糊细节,这些产品被分成10个产品类别(例如,时尚类、电子产品类等)。输入参数是某种类型的不同事件的计数。

    训练目标是对新产品作为10个类别中每一个类别的概率数组做出预测,并使用多级对数损失(也称为交叉熵)对模型进行评估。

    我们将从导入所有库开始:

    #Import the supporting libraries

    #Import pandas to load the dataset from csv file

    from pandas import read_csv

    #Import numpy for array based operations and calculations

    import numpy as np

    #Import Random Forest classifier class from sklearn

    from sklearn.ensemble import RandomForestClassifier

    #Import feature selector class select model of sklearn

    from sklearn.feature_selection

    import SelectFromModel

    np.random.seed(1)

    定义一个方法用于将我们的数据集分为训练数据和测试数据;我们将在训练数据部分对数据集进行训练,测试数据部分将用于训练模型的评估:

    #Function to create Train and Test set from the original dataset def getTrainTestData(dataset,split):

    np.random.seed(0) training = [] testing = []

    np.random.shuffle(dataset) shape = np.shape(dataset)

    trainlength = np.uint16(np.floor(split*shape[0]))

    for i in range(trainlength): training.append(dataset[i])

    for i in range(trainlength,shape[0]): testing.append(dataset[i])

    training = np.array(training) testing = np.array(testing)

    return training,testing

    还需要添加一个函数来评估模型的准确性;以预测输出和实际输出为输入,计算准确率百分比:

    #Function to evaluate model performance

    def getAccuracy(pre,ytest): count = 0

    for i in range(len(ytest)):

    if ytest[i]==pre[i]: count+=1

    acc = float(count)/len(ytest)

    return acc

    现在要导入数据集。我们将导入train.csv文件;该文件包含61,000多个训练实例。我们的示例将使用50000个实例,其中使用35,000个实例来训练分类器,并使用15,000个实例来测试分类器的性能:
    #Load dataset as pandas data frame

    data = read_csv('train.csv')

    #Extract attribute names from the data frame

    feat = data.keys()

    feat_labels = feat.get_values()

    #Extract data values from the data frame

    dataset = data.values

    #Shuffle the dataset

    np.random.shuffle(dataset)

    #We will select 50000 instances to train the classifier

    inst = 50000

    #Extract 50000 instances from the dataset

    dataset = dataset[0:inst,:]

    #Create Training and Testing data for performance evaluation

    train,test = getTrainTestData(dataset, 0.7)

    #Split data into input and output variable with selected features

    Xtrain = train[:,0:94] ytrain = train[:,94] shape = np.shape(Xtrain)

    print("Shape of the dataset ",shape)

    #Print the size of Data in MBs

    print("Size of Data set before feature selection: %.2f MB"%(Xtrain.nbytes/1e6))

    注意下这里的数据大小;由于我们的数据集包含约35000个训练实例,带有94个参数;我们的数据集非常大。让我们来看一下:

    Shape of the dataset (35000, 94)

    Size of Data set before feature selection: 26.32 MB

    如你所见,我们的数据集中有35000行和94列,数据大小超过26MB。

    在下一个代码块中,我们将配置我们的随机森林分类器;我们会使用250棵树,最大深度为30,随机特征的数量为7。其他超参数将是sklearn的默认值:
    #Lets select the test data for model evaluation purpose

    Xtest = test[:,0:94] ytest = test[:,94]

    #Create a random forest classifier with the following Parameters

    trees = 250

    max_feat = 7

    max_depth = 30

    min_sample = 2

    clf = RandomForestClassifier(n_estimators=trees,

    max_features=max_feat,

    max_depth=max_depth,

    min_samples_split= min_sample, random_state=0,

    n_jobs=-1)

    #Train the classifier and calculate the training time

    import time

    start = time.time() clf.fit(Xtrain, ytrain) end = time.time()

    #Lets Note down the model training time

    print("Execution time for building the Tree is: %f"%(float(end)- float(start)))

    pre = clf.predict(Xtest)

    Let's see how much time is required to train the model on the training dataset:

    Execution time for building the Tree is: 2.913641

    #Evaluate the model performance for the test data

    acc = getAccuracy(pre, ytest)

    print("Accuracy of model before feature selection is %.2f"%(100*acc))

    模型的精确度是:

    Accuracy of model before feature selection is 98.82

    正如所看到的,我们获得了非常好的精确度,因为我们将几乎99%的测试数据分类为正确的类别。这意味着我们在15,000个实例中对大概14,823个实例进行了正确的分类。

    所以,现在问题是:我们应该进一步改进吗?好吧,为什么不呢?如果可能的话,我们一定需要进行更多的改进;在这里,我们将使用特征重要度来选择特征。如你所知,在树的建造过程中,我们使用杂质度量来选择节点。选择杂质最少的参数值作为树中的节点。我们可以使用类似的标准来选择特征。我们可以给杂质更少的特征更多的重要度,这可以使用sklearn库的feature_importances_函数来实现。让我们来看一下每个特征的重要度:

    print(feature)

    ('id', 0.33346650420175183)

    ('feat_1', 0.0036186958628801214)

    ('feat_2', 0.0037243050888530957)

    ('feat_3', 0.011579217472062748)

    ('feat_4', 0.010297382675187445)

    ('feat_5', 0.0010359139416194116)

    ('feat_6', 0.00038171336038056165)

    ('feat_7', 0.0024867672489765021)

    ('feat_8', 0.0096689721610546085)

    ('feat_9', 0.007906150362995093)

    ('feat_10', 0.0022342480802130366)

    正如你看到的,每个特征都有不同的重要度,这取决于它对最终预测的贡献值。

    我们将使用这些重要度评分来对我们的特征进行排序;在接下来的部分中,我们将选取特征重要度大于0.01的特征进行模型训练:
    #Select features which have higher contribution in the final prediction

    sfm = SelectFromModel(clf, threshold=0.01) sfm.fit(Xtrain,ytrain)

    这里,我们将根据所选的特征参数转换输入的数据集。在下一个代码块中,我们会转换数据集。然后,我们将检查新数据集的大小和形状:
    #Transform input dataset

    Xtrain_1 = sfm.transform(Xtrain) Xtest_1 = sfm.transform(Xtest)

    #Let's see the size and shape of new dataset print("Size of Data set before feature selection: %.2f MB"%(Xtrain_1.nbytes/1e6))

    shape = np.shape(Xtrain_1)

    print("Shape of the dataset ",shape)

    Size of Data set before feature selection: 5.60 MB Shape of the dataset (35000, 20)

    看到数据集的形状了吗?经过特征选择后,我们只剩下20个特征,这使得数据库的大小从26MB减少到了5.60 MB,比原来的数据集减少了80%左右。

    在下一个代码块中,我们将使用与前面相同的超参数训练一个新的随机森林分类器,并在测试集上进行了测试。我们来看看修改训练集后得到的精确度是多少:

    #Model training time

    start = time.time() clf.fit(Xtrain_1, ytrain) end = time.time()

    print("Execution time for building the Tree is: %f"%(float(end)- float(start)))

    #Let's evaluate the model on test data

    pre = clf.predict(Xtest_1) count = 0

    acc2 = getAccuracy(pre, ytest)

    print("Accuracy after feature selection %.2f"%(100*acc2))

    Execution time for building the Tree is: 1.711518 Accuracy after feature selection 99.97

    看到了吗!使用修改后的数据集,我们获得了99.97%的准确率,这意味着我们把14,996个实例分到了正确的类别,而之前我们只正确地分类了14,823个实例。

    这是我们在特征选择过程中取得的巨大进步;我们可以将所有的结果总结如下表:

    评估标准

    特征选择前

    特征选择后

    特征数量

    94

    20

    数据集大小

    26.32MB

    5.60MB

    训练时间

    2.91 s

    1.71 s

    精确度

    98.82%

    99.97%

    上表显示了特征选择的实际优势。可以看到我们显著地减少了特征的数量,这减少了模型的复杂性和数据集的维度。在减小维度后,我们需要更少的训练时间,最终我们克服了过拟合的问题,获得了比以前更高的精确度。

    本文我们共探讨了机器学习中特征选择的4种方法。

    文章转载自:数据分析与开发

    推荐阅读