机器学习一文带你用sklearn

2022/6/12 来源:不详

石家庄治疗白癜风医院 https://m-mip.39.net/disease/mip_7004385.html
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.

转载请注明:
http://www.3g-city.net/gjyyf/573.html
  • 上一篇文章:

  • 下一篇文章:
    • 没有热点文章
    • 没有推荐文章
    网站首页 版权信息 发布优势 合作伙伴 隐私保护 服务条款 网站地图 网站简介

    温馨提示:本站信息不能作为诊断和医疗依据
    版权所有2014-2024 冀ICP备19027023号-6
    今天是: