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:
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
