用机器学习神器sklearn做特征工

治疗白癜风那家医院 http://m.39.net/pf/bdfyy/xwdt/
转自

Datawhale作者

jasonfreak编辑

数据STUDIO使用sklearn做特征工程特征工程是什么？

有这么一句话在业界广泛流传：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。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

通过总结和归纳，人们认为特征工程包括以下方面：

特征处理是特征工程的核心部分，sklearn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。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里介绍的特征处理库也十分强大！

本文中使用sklearn中的IRIS（鸢尾花）数据集[1]来对特征处理功能进行说明。IRIS数据集由Fisher在年整理，包含4个特征（Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度）），特征值都为正浮点数，单位为厘米。目标值为鸢尾花的分类（IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），IrisVirginica（维吉尼亚鸢尾））。导入IRIS数据集的代码如下：

1fromsklearn.datasetsimportload\_iris23#导入IRIS数据集4iris=load\_iris\(\)56#特征矩阵7iris.data89#目标向量10iris.target数据预处理

通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题：

不属于同一量纲：

即特征的规格不一样，不能够放在一起比较。无量纲化可以解决这一问题。

信息冗余：

对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心“及格”或不“及格”，那么需要将定量的考分，转换成“1”和“0”表示及格和未及格。二值化可以解决这一问题。

定性特征不能直接使用：

某些机器学习算法和模型只能接受定量特征的输入，那么需要将定性特征转换为定量特征。最简单的方式是为每一种定性值指定一个定量值，但是这种方式过于灵活，增加了调参的工作。通常使用哑编码的方式将定性特征转换为定量特征[2]：假设有N种定性值，则将这一个特征扩展为N种特征，当原始特征值为第i种定性值时，第i个扩展特征赋值为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线性模型来说，使用哑编码后的特征可达到非线性的效果。

存在缺失值：

缺失值需要补充。

信息利用率低：

不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的转换，都能达到非线性的效果。

我们使用sklearn中的preproccessing库来进行数据预处理，可以覆盖以上问题的解决方案。

2.1无量纲化

无量纲化使不同规格的数据转换到同一规格。常见的无量纲化方法有标准化和区间缩放法。标准化的前提是特征值服从正态分布，标准化后，其转换成标准正态分布。区间缩放法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，例如[0,1]等。

2.1.1标准化

标准化需要计算特征的均值和标准差，公式表达为：

使用preproccessing库的StandardScaler类对数据进行标准化的代码如下：

1fromsklearn.preprocessingimportStandardScaler23#标准化，返回值为标准化后的数据4StandardScaler\(\).fit\_transform\(iris.data\)2.1.2区间缩放法

区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：

使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下：

1fromsklearn.preprocessingimportMinMaxScaler23#区间缩放，返回值为缩放到\[0,1\]区间的数据4MinMaxScaler\(\).fit\_transform\(iris.data\)2.1.3标准化与归一化的区别

简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：

使用preproccessing库的Normalizer类对数据进行归一化的代码如下：

1fromsklearn.preprocessingimportNormalizer23#归一化，返回值为归一化后的数据4Normalizer\(\).fit\_transform\(iris.data\)2.2对定量特征二值化

定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0，公式表达如下：

使用preproccessing库的Binarizer类对数据进行二值化的代码如下：

1fromsklearn.preprocessingimportBinarizer23#二值化，阈值设置为3，返回值为二值化后的数据4Binarizer\(threshold=3\).fit\_transform\(iris.data\)2.3对定性特征哑编码

由于IRIS数据集的特征皆为定量特征，故使用其目标值进行哑编码（实际上是不需要的）。使用preproccessing库的OneHotEncoder类对数据进行哑编码的代码如下：

1fromsklearn.preprocessingimportOneHotEncoder23#哑编码，对IRIS数据集的目标值，返回值为哑编码后的数据4OneHotEncoder\(\).fit\_transform\(iris.target.reshape\(\(-1,1\)\)\)2.4缺失值计算

由于IRIS数据集没有缺失值，故对数据集新增一个样本，4个特征均赋值为NaN，表示数据缺失。使用preproccessing库的Imputer类对数据进行缺失值计算的代码如下：

1fromnumpyimportvstack,array,nan2fromsklearn.preprocessingimportImputer34#缺失值计算，返回值为计算缺失值后的数据5#参数missing\_value为缺失值的表示形式，默认为NaN6#参数strategy为缺失值填充方式，默认为mean（均值）7Imputer\(\).fit\_transform\(vstack\(\(array\(\[nan,nan,nan,nan\]\),iris.data\)\)\)2.5数据变换

常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。4个特征，度为2的多项式转换公式如下：

使用preproccessing库的PolynomialFeatures类对数据进行多项式转换的代码如下：

1fromsklearn.preprocessingimportPolynomialFeatures23#多项式转换4#参数degree为度，默认值为25PolynomialFeatures\(\).fit\_transform\(iris.data\)

基于单变元函数的数据变换可以使用一个统一的方式完成，使用preproccessing库的FunctionTransformer对数据进行对数函数转换的代码如下：

1fromnumpyimportlog1p2fromsklearn.preprocessingimportFunctionTransformer34#自定义转换函数为对数函数的数据变换5#第一个参数是单变元函数6FunctionTransformer\(log1p\).fit\_transform\(iris.data\)2.6回顾类功能说明StandardScaler无量纲化标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布MinMaxScaler无量纲化区间缩放，基于最大最小值，将特征值转换到[0,1]区间上Normalizer归一化基于特征矩阵的行，将样本向量转换为“单位向量”Binarizer二值化基于给定阈值，将定量特征按阈值划分OneHotEncoder哑编码将定性数据编码为定量数据Imputer缺失值计算计算缺失值，缺失值可填充为均值等PolynomialFeatures多项式数据转换多项式数据转换FunctionTransformer自定义单元数据转换使用单变元的函数来转换数据特征选择

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。

特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。

根据特征选择的形式又可以将特征选择方法分为3种：

Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。Wrapper：包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。

我们使用sklearn中的feature_selection库来进行特征选择。

3.1Filter3.1.1方差选择法

使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。使用feature_selection库的VarianceThreshold类来选择特征的代码如下：

1fromsklearn.feature\_selectionimportVarianceThreshold23#方差选择法，返回值为特征选择后的数据4#参数threshold为方差的阈值5VarianceThreshold\(threshold=3\).fit\_transform\(iris.data\)3.1.2相关系数法

使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的P值。用feature_selection库的SelectKBest类结合相关系数来选择特征的代码如下：

1fromsklearn.feature\_selectionimportSelectKBest2fromscipy.statsimportpearsonr34#选择K个最好的特征，返回选择特征后的数据5#第一个参数为计算评估特征是否好的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组，数组第i项为第i个特征的评分和P值。在此定义为计算相关系数6#参数k为选择的特征个数7SelectKBest\(lambdaX,Y:array\(map\(lambdax:pearsonr\(x,Y\),X.T\)\).T,k=2\).fit\_transform\(iris.data,iris.target\)3.1.3卡方检验

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。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的差距，构建统计量：

这个统计量的含义简而言之就是自变量对因变量的相关性。用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：

1fromsklearn.feature\_selectionimportSelectKBest2fromsklearn.feature\_selectionimportchi#选择K个最好的特征，返回选择特征后的数据5SelectKBest\(chi2,k=2\).fit\_transform\(iris.data,iris.target\)3.1.4互信息法

经典的互信息也是评价定性自变量对定性因变量的相关性的，互信息计算公式如下：

为了处理定量数据，最大信息系数法被提出，使用feature_selection库的SelectKBest类结合最大信息系数法来选择特征的代码如下：

1fromsklearn.feature\_selectionimportSelectKBest2fromminepyimportMINE34#由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.55defmic\(x,y\):6m=MINE\(\)7m.