机器学习中必知必会的 3 种特征选取方法！-轻识

随着深度学习的蓬勃发展，越来越多的小伙伴开始尝试搭建深层神经网络应用于工作场景中，认为只需要把数据放入模型中，调优模型参数就可以让模型利用自身机制来选择重要特征，输出较好的数据结果。

在现实工作场景中，受限制数据和时间，这样的做法其实并不可取，一方面大量数据输入将导致模型训练周期增长，另一方面在当前细分市场中，并非所有场景都有海量数据，寻找海量数据中的重要特征迫在眉睫。

本文我将教你三个选择特征的方法，这是任何想从事数据科学领域的都应该知道。本文的结构如下：

数据集加载和准备
方法1:从系数获取特征重要性
方法2:从树模型获取特征重要性
方法3:从 PCA 分数中获取特征重要性
结论

数据集加载和准备

为了方便介绍，我这里使用"load_breast_cancer"数据集，该数据内置于 Scikit-Learn 中。

以下代码段演示如何导入库和加载数据集：

import numpy as np
import pandas as pd
from sklearn.datasets import load_breast_cancer
import matplotlib.pyplot as plt
from matplotlib import rcParams
rcParams['figure.figsize'] = 14, 7
rcParams['axes.spines.top'] = False
rcParams['axes.spines.right'] = False
# Load data
data = load_breast_cancer()

调用以下代码，输出结果。

df = pd.concat([pd.DataFrame(data.data, columns=data.feature_names),pd.DataFrame(data.target, columns=['y'])], axis=1)
df.head()

上述数据中有 30 个特征变量和一个目标变量。所有值都是数值，并且没有缺失的值。在解决缩放问题之前，还需要执行训练、测试拆分。

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
X = df.drop('y', axis=1)
y = df['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
ss = StandardScaler()
X_train_scaled = ss.fit_transform(X_train)
X_test_scaled = ss.transform(X_test)

方法1:从系数获取特征重要性

检查特征重要性的最简单方法是检查模型的系数。例如，线性回归和逻辑回归都归结为一个方程，其中将系数(重要性)分配给每个输入值。

简单地说，如果分配的系数是一个大(负或正)数字，它会对预测产生一些影响。相反，如果系数为零，则对预测没有任何影响。

逻辑非常简单，让我们来测试一下，逻辑回归是一种合适的算法。拟合模型后，系数将存储在属性中coef_。

from sklearn.linear_model import LogisticRegression

model = LogisticRegression()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
    'Attribute': X_train.columns,
    'Importance': model.coef_[0]
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可视化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()

下面是相应的可视化效果：该方法最大特点：「简单」、「高效」。系数越大(在正方向和负方向)，越影响预测效果。

方法2:从树模型获取重要性

训练任何树模型后，你都可以访问 feature_importances 属性。这是获取功特征重要性的最快方法之一。

以下代码演示如何导入模型并在训练数据上拟合模型，以及重要性的获取：

from xgboost import XGBClassifier

model = XGBClassifier()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
    'Attribute': X_train.columns,
    'Importance': model.feature_importances_
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可视化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()

相应的可视化效果如下所示：

方法3:从 PCA 分数获取特征重要性

主成分分析(PCA)是一种出色的降维技术，也可用于确定特征的重要性。

PCA 不会像前两种技术那样直接显示最重要的功能。相反，它将返回 N 个主组件，其中 N 等于原始特征的数量。

from sklearn.decomposition import PCA
pca = PCA().fit(X_train_scaled)
# 可视化
plt.plot(pca.explained_variance_ratio_.cumsum(), lw=3, color='#087E8B')
plt.title('Cumulative explained variance by number of principal components', size=20)
plt.show()

但这是什么意思呢？这意味着你可以使用前五个主要组件解释源数据集中 90%的方差。同样，如果你不知道这意味着什么，继续往下看。

loadings = pd.DataFrame(
    data=pca.components_.T * np.sqrt(pca.explained_variance_), 
    columns=[f'PC{i}' for i in range(1, len(X_train.columns) + 1)],
    index=X_train.columns
)
loadings.head()

第一个主要组成部分至关重要。它只是一个要素，但它解释了数据集中超过 60% 的方差。从上图中可以看到，它与平均半径特征之间的相关系数接近 0.8，这被认为是强正相关。

让我们可视化所有输入要素与第一个主组件之间的相关性。下面是整个代码段（包括可视化）：

pc1_loadings = loadings.sort_values(by='PC1', ascending=False)[['PC1']]
pc1_loadings = pc1_loadings.reset_index()
pc1_loadings.columns = ['Attribute', 'CorrelationWithPC1']

plt.bar(x=pc1_loadings['Attribute'], height=pc1_loadings['CorrelationWithPC1'], color='#087E8B')
plt.title('PCA loading scores (first principal component)', size=20)
plt.xticks(rotation='vertical')
plt.show()

这就是如何"破解"PCA，使用它作为特征重要性的方法。

结论

上述总结来 3 个机器学习特征重要性的方法，这三个可根据场景灵活运用。如果你对机器学习感兴趣，可以关注我。


也可以加一下老胡的微信
围观朋友圈~~~

推荐阅读

（点击标题可跳转阅读）

麻省理工学院计算机课程【中文版】

【清华大学王东老师】现代机器学习技术导论.pdf

机器学习中令你事半功倍的pipeline处理机制

机器学习避坑指南：训练集/测试集分布一致性检查

机器学习深度研究：特征选择中几个重要的统计学概念

老铁，三连支持一下，好吗？↓↓↓