使用 Python 實現機器學習特徵選擇的 4 種方法

（給資料分析與開發加星標，提升資料技能）

英文：Sugandha Lahoti，轉自：資料派（ID：datapi），翻譯：李潔

註：本文節選自Ankit Dixit所著的《整合機器學習》(Ensemble Machine Learning)一書。這本書組合強大的機器學習演演算法來建立最佳化模型，可以作為初學者的指南。

 

在本文中，我們將研究從資料集中選擇特徵的不同方法;同時透過使用Python中Scikit-learn (sklearn)庫實現討論了特徵選擇演演算法的型別:

 

• 單變數選擇
• 遞迴特徵消除(RFE)
• 主成分分析(PCA)
• 選擇重要特徵(特徵重要度)

 

我們簡要介紹了前三種演演算法及其實現。然後我們將詳細討論在資料科學社群中廣泛使用的選擇重要特徵(特性重要度)部分的內容。

 

單變數選擇

 

統計測試可用於選擇那些與輸出變數關係最強的特徵。

 

scikit-learn庫提供了SelectKBest類，它可以與一組不同的統計測試一起使用，以選擇特定數量的特徵。

 

下麵的例子使用chi²非負性特徵的統計測試，從皮馬印第安人糖尿病發病資料集中選擇了四個最好的特徵:

 

#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,:])

 

你可以看到每個引數的得分，以及所選擇的四個引數(得分最高的):plas、test、mass和age。

 

每個特徵的分數為：

 

 

[111.52   1411.887 17.605 53.108  2175.565   127.669 5.393

181.304]

 

被選出的特徵是：

 

[[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. ]]

 

遞迴特徵消除(RFE)

 

RFE的工作方式是遞迴地刪除引數併在保留的引數上構建模型。它使用模型精度來判斷哪些屬性(以及屬性的組合)對預測標的引數貢獻最大。你可以在scikit-learn的檔案中瞭解更多關於RFE類的資訊。

 

下麵的示例使用RFE和logistic回歸演演算法來選出前三個特徵。演演算法的選擇並不重要，只需要熟練並且一致:

 

#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_)

 

執行完上述程式碼後，我們可以得到:

 

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選擇了前三個特性，即preg、mass和pedi。這些在support_陣列中被標記為True，在ranking_陣列中被標記為首選（標記為1）。

 

主成分分析

 

PCA使用線性代數將資料集轉換為壓縮格式。通常，它被認為是一種資料約簡技術。PCA的一個屬性是，你可以選擇轉換結果中的維數或主成分的數量。

 

在接下來的例子中，我們使用PCA並選擇了三個主成分:

 

#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，轉換後的資料集(三個主成分)與源資料幾乎沒有相似之處:

 

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]]

 

選擇重要特徵(特性重要度)

 

特徵重要度是一種利用訓練好的有監督分類器來選擇特徵的技術。當我們訓練分類器(如決策樹)時，我們計算每個引數以建立分割;我們可以使用這個度量作為特徵選擇器。讓我們來詳細瞭解一下。

 

隨機森林由於其相對較好的準確性、魯棒性和易用性而成為最受歡迎的機器學習方法之一。它們還提供了兩種簡單易行的特徵選擇方法——均值降低雜質和均值降低準確度。

 

隨機森林由許多決策樹組成。決策樹中的每個節點都是一個基於單個特徵的條件，其設計目的是將資料集分割成兩個，以便相似的響應值最終出現在相同的集合中。選擇(區域性)最優條件的度量叫做雜質。對於分類問題，它通常是基尼雜質或資訊增益/熵，而對於回歸樹，它是方差。因此，當訓練一棵樹時，可以透過每個特徵減少的樹中加權雜質的多少來計算。對於森林，可以對每個特徵的雜質減少量進行平均，並根據該方法對特徵進行排序。

 

讓我們看一下如何使用隨機森林分類器來進行特徵選擇，並評估特徵選擇前後分類器的準確性。我們將使用Otto資料集。該資料集可從kaggle免費獲得（你需要註冊kaggle才能下載該資料集)。你可以從https://www.kaggle.com/c/otto-group-product- classifics-challenge/data下載訓練集train.csv.zip，然後將解壓縮的train.csv檔案放在你的工作目錄中。

 

這個資料集描述了超過61,000個產品的93個模糊細節，這些產品被分成10個產品類別(例如，時尚類、電子產品類等)。輸入引數是某種型別的不同事件的計數。

 

訓練標的是對新產品作為10個類別中每一個類別的機率陣列做出預測，並使用多級對數損失（也稱為交叉熵）對模型進行評估。

 

我們將從匯入所有庫開始:

 

#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)

 

定義一個方法用於將我們的資料集分為訓練資料和測試資料；我們將在訓練資料部分對資料集進行訓練，測試資料部分將用於訓練模型的評估:

 

#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

 

還需要新增一個函式來評估模型的準確性；以預測輸出和實際輸出為輸入，計算準確率百分比：

 

#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

 

現在要匯入資料集。我們將匯入train.csv檔案；該檔案包含61,000多個訓練實體。我們的示例將使用50000個實體，其中使用35,000個實體來訓練分類器，並使用15,000個實體來測試分類器的效能:

 

#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))

 

註意下這裡的資料大小；由於我們的資料集包含約35000個訓練實體，帶有94個引數；我們的資料集非常大。讓我們來看一下：

 

 

Shape of the dataset (35000, 94)

Size of Data set before feature selection: 26.32 MB

 

如你所見，我們的資料集中有35000行和94列，資料大小超過26MB。

 

在下一個程式碼塊中，我們將配置我們的隨機森林分類器；我們會使用250棵樹，最大深度為30，隨機特徵的數量為7。其他超引數將是sklearn的預設值:

 

#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))

 

模型的精確度是：

 

Accuracy of model before feature selection is 98.82

 

正如所看到的，我們獲得了非常好的精確度，因為我們將幾乎99%的測試資料分類為正確的類別。這意味著我們在15,000個實體中對大概14,823個實體進行了正確的分類。

 

所以，現在問題是：我們應該進一步改進嗎？好吧，為什麼不呢？如果可能的話，我們一定需要進行更多的改進；在這裡，我們將使用特徵重要度來選擇特徵。如你所知，在樹的建造過程中，我們使用雜質度量來選擇節點。選擇雜質最少的引數值作為樹中的節點。我們可以使用類似的標準來選擇特徵。我們可以給雜質更少的特徵更多的重要度，這可以使用sklearn庫的feature_importances_函式來實現。讓我們來看一下每個特徵的重要度:

 

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，每個特徵都有不同的重要度，這取決於它對最終預測的貢獻值。

 

我們將使用這些重要度評分來對我們的特徵進行排序;在接下來的部分中，我們將選取特徵重要度大於0.01的特徵進行模型訓練：

 

 

#Select features which have higher contribution in the final prediction

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

 

這裡，我們將根據所選的特徵引數轉換輸入的資料集。在下一個程式碼塊中，我們會轉換資料集。然後，我們將檢查新資料集的大小和形狀:

 

 

#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)

 

看到資料集的形狀了嗎？經過特徵選擇後，我們只剩下20個特徵，這使得資料庫的大小從26MB減少到了5.60 MB，比原來的資料集減少了80%左右。

 

在下一個程式碼塊中，我們將使用與前面相同的超引數訓練一個新的隨機森林分類器，併在測試集上進行了測試。我們來看看修改訓練集後得到的精確度是多少：

 

#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

 

看到了嗎！使用修改後的資料集，我們獲得了99.97%的準確率，這意味著我們把14,996個實體分到了正確的類別，而之前我們只正確地分類了14,823個實體。

 

這是我們在特徵選擇過程中取得的巨大進步；我們可以將所有的結果總結如下表：

 

評估標準	特徵選擇前	特徵選擇後
特徵數量	94	20
資料集大小	26.32MB	5.60MB
訓練時間	2.91 s	1.71 s
精確度	98.82%	99.97%

 

上表顯示了特徵選擇的實際優勢。可以看到我們顯著地減少了特徵的數量，這減少了模型的複雜性和資料集的維度。在減小維度後，我們需要更少的訓練時間，最終我們剋服了過擬合的問題，獲得了比以前更高的精確度。

本文我們共探討了機器學習中特徵選擇的4種方法。

如果你發現這篇文章很有用，請閱讀《整合機器學習》一書，瞭解關於疊加泛化和其他技術的更多資訊。