高级特征工程I
Mean encodings
以下是Coursera上的How to Win a Data Science Competition: Learn from Top Kagglers课程笔记。
学习目标
- Regularize mean encodings
- Extend mean encodings
- Summarize the concept of mean encodings
Concept of mean encoding
均值编码是一种非常强大的技术,它有很多名字,例如:likelihood encoding、target encoding,但这里我们叫它均值编码。我们举一个二分类任务的例子。
feature | feature_label | feature_mean | target | |
---|---|---|---|---|
0 | Moscow | 1 | 0.4 | 0 |
1 | Moscow | 1 | 0.4 | 1 |
2 | Moscow | 1 | 0.4 | 1 |
3 | Moscow | 1 | 0.4 | 0 |
4 | Moscow | 1 | 0.4 | 0 |
5 | Tver | 2 | 0.8 | 1 |
6 | Tver | 2 | 0.8 | 1 |
7 | Tver | 2 | 0.8 | 1 |
8 | Tver | 2 | 0.8 | 0 |
9 | Klin | 0 | 0.0 | 0 |
10 | klin | 0 | 0.0 | 0 |
11 | Tver | 2 | 1 | 1 |
我们想对feature
变量进行编码,最直接、常用的方式就是label encoding
,这就是第二列数据。
平均编码以不同的方式去完成这个任务,它用每个城市自身对应的目标均值来进行编码。例如,对于Moscow
,我们有五行,三个0和两个1。 所以我们用2除以5或0.4对它进行编码。用同样的方法处理其他城市。
现在了解一下细节。当我们的数据集非常大,包含数百个不同的城市,让我们试着比较一下。我们绘制了0,1 class的直方图。
在label encoding
的情况下,我们得到的图看起来没有任何逻辑顺序。
但是当我们使用mean encoding
对目标进行编码时,类看起来更加可分了,像是被排序过。
一般来说,模型对复杂、非线性的特征目标越依赖,均值编码
越有效。例如树模型的深度有限,可以用平均编码来补偿它,可以用它的短板来获得更好的分数。
以上只是一个例子,传递的是一种思想,实际上可以做很多类似的操作。
Ways to use target variable
Goods-number of ones in a group,
Bads-number of zeros
- \(Likelihood = \frac {Goods}{Goods+Bads} = mean(target)\)
- \(Weight of Evidence = \ln(\frac{Goods}{Bads}) * 100\)
- \(Count = Goods = sum(target)\)
- \(Diff = Goods - Bads\)
构造Mean encoding
的例子
means= X_tr.groupby(col).target.mean()
train_new[col+'_mean_target'] = train_new[col].map(means)
val_new[col+'_mean_target'] = val_new[col].map(means)
将它运用到模型中,出现了严重的过拟合,但是为什么呢?
- Train
feature | feature_label | feature_mean | target | |
---|---|---|---|---|
8 | Tver | 2 | 0.8 | 0 |
9 | Klin | 0 | 0.0 | 0 |
- Validation
feature | feature_label | feature_mean | target | |
---|---|---|---|---|
10 | klin | 0 | 0.0 | 0 |
11 | Tver | 2 | 1 | 1 |
When they are categorized, it's pretty common to get results like in an example, target 0 in train and target 1 in validation. Mean encodings turns into a perfect feature for such categories. That's why we immediately get very good scores on train and fail hardly on validation.
Regularization
在上一节,我们意识到平均编码不能按原样使用,需要对训练数据进行某种正规化。现在我们将实施四种不同的正则化方法。
- 1.CV loop inside training data;
- 2.Smoothing;
- 3.Adding random noise;
- 4.Sorting and calculating expanding mean.
Conclusion
- There are a lot ways to regularize mean encodings
- Unending battle with target variable leakage
- CV loop or Expanding mean for partical tasks.
1.KFold scheme
通常做四到五折的交叉验证就能得到不错的结果,无序调整此数字。
代码例子
这个方法看起来已经完全避免了目标变量的泄露,但事实并非如此。
这里我们通过留一法
对Moscow
进行编码
feature | feature_mean | target | |
---|---|---|---|
0 | Moscow | 0.50 | 0 |
1 | Moscow | 0.25 | 1 |
2 | Moscow | 0.25 | 1 |
3 | Moscow | 0.50 | 0 |
4 | Moscow | 0.50 | 0 |
对于第一行,我们得到0.5,因为有两个1和 其余行中有两个0。 同样,对于第二行,我们得到0.25,依此类推。 但仔细观察,所有结果和由此产生的特征。 它完美地分割数据,具有等于或等的特征的行 大于0.5的目标为0,其余行的目标为1。 我们没有明确使用目标变量,但我们的编码是有偏置的。
目标变量的泄露效果对于KFold scheme
仍然是有效的,只是效果温和了点。
在实践中,如果您有足够的数据并使用四或五折,编码将通过这种正规化策略正常工作。 只是要小心并使用正确的验证。
2.Smoothing
- Alpha controls the amount of regularization
- Only works together with some other regularization method
\]
它具有控制正则化量的超参数alpha。 当alpha为零时,我们没有正则化,并且当alpha接近无穷大时,一切都变成了globalmean。
在某种意义上,alpha等于我们可以信任的类别大小。也可以使用其他一些公式,基本上任何惩罚编码类别的东西都可以被认为是smoothing
。
3.Nosie
- Noise degrades the quality of encoding
通过添加噪声,会降低训练数据的编码质量。这种方法很不稳定,很难使它工作。主要问题在于我们需要添加的噪声量。
- How much noise should we add?
太多的噪声会把这个特征变成垃圾,虽然噪声太小意味着更正规化。你需要努力地微调它。
- Usually used together with LOO(Leave one out).
这种方法通常与LOO正则化一起使用。如果你没有很多时间,它可能不是最好选择。
4.Expanding mean
- Least amount of leakage
- No hyper parameters
- Irregular encoding quality
- Built-in in CatBoost.
代码例子
cumsum = df_tr.groupby(col)['target'].cumsum() - df_tr['target']
cumcnt = df_tr.groupby(col).cumcount()
train_new[col + '_mean_target'] = cusum/cumcnt
cumsum存储目标变量的累计和,直到给定行,cumcnt存储累积计数。该方法引入的目标变量的泄漏量最少,唯一的缺点是特征质量不均匀。但这不是什么大不了的事,我们可以从不同的数据排列计算编码的平均模型。
它被用于CatBoost库中,证明了它在分类数据集上表现非常出色。
Extensions and generalizations
- 如何在回归和多分类任务中进行
Mean encoding
- 如何将编码应用于具有多对多关系的领域
- 我们可以根据时间序列中的目标构建哪些功能
- 编码交互和数字特征
Many-to-many relations
- 原始数据
User_id | APPS | Target |
---|---|---|
10 | APP1;APP2;APP3 | 0 |
11 | APP4;APP1 | 1 |
12 | APP2 | 1 |
100 | APP3;APP9 | 0 |
现在考虑一个例子,基于用在智能手机上已装的APP,预测它是否会安装,这是一个二分类任务。从表中数据可知,每个用户可能有多个应用程序,每个应用程序由多个用户使用,因此这是多对多的关系。而麻烦在于,如何从多对多的关系中提取均值。
- 长数据表示
User_id | APP_id | Target |
---|---|---|
10 | APP1 | 0 |
10 | APP2 | 0 |
10 | APP3 | 0 |
11 | APP4 | 1 |
11 | APP1 | 1 |
把原始数据转为长数据表示,如上表。使用此表,我们可以自然地计算APP的均值编码
。但是如何将其映射回用户呢?
每个用户都有许多APP,但不都是“APP1,APP2,APP3”。因此我们用向量表示(0.1,0.2,0.1),我们还可以从向量中收集各种统计数据,比如均值、标准差、最大最小值等等。
Time series
- Time structure allows us to make a lot of complicated features.
- Rolling statistics of target variable.
一方面,这是一种限制,另一方面,它允许我们只做一些复杂的特征。考虑一个例子:
Day | User | Spend | Amount | Prev_user | Prev_spend_avg |
---|---|---|---|---|---|
1 | 101 | FOOD | 2.0 | 0.0 | 0.0 |
1 | 101 | GAS | 4.0 | 0.0 | 0.0 |
1 | 102 | FOOD | 3.0 | 0.0 | 0.0 |
2 | 101 | GAS | 4.0 | 6.0 | 4.0 |
2 | 101 | TV | 8.0 | 6.0 | 0.0 |
2 | 102 | FOOD | 2.0 | 3.0 | 2.5 |
我们需要预测用户会为哪个类别花钱。 我们有两天的时间,两个用户, 和三个支出类别。 一些好的特征是用户在前一天消费总额,所有用户在给定类别中花费的平均金额。 因此,在第1天,用户101花费6美元,用户102花费$3。 因此,我们认为这些数字是第2天的未来值。 同样,可以按类别划分平均金额。
我们拥有的数据越多,可以创造的特征就越复杂。
Interactions and numerical features
- Analyzing fitted model
- Binning numeric and selecting interactions
在实践中,通常需要编码数字特征以及进行特征组合。要对数字特征进行编码,我们只需要对其进行分区,然后将其视为分类。我们以没有进行任何编码的原始特征和决策树模型为例。
如何为数字特征分组?
如果数字特征有很多分裂点,则表示它于目标有一些复杂的依赖,并且试图去编码它。此外这些精确的分裂点可用于对特征进行分类,所以通过分析模型结构,我们既可以识别这些可疑的数字特征,又可以找到很好的方法去给它分组。如何挑选特征组合?
先看决策树中如何提取交互特征。参照上图,如果两个特征在相邻的节点中,则这两个特征在相互作用。考虑到这点,我们可以遍历模型中的所有树,计算每个特征组合出现的次数。最常见的组合可能值得进行均值编码。
例如,如果我们发现feature1
和feature2
这一对特征最常见,我们可以在数据中连接这些特征,这意味编码产生交互。
Correct validation reminder
- Local experiments:
- Estimate encodings on X_tr
- Map them to X_tr and X_val
- Regularize on X_tr
- Validate model on X_tr/X_val split
- Submission:
- Estimate encodings on whole Train data
- Map them on Train and Test
- Regularize on Train
- Fit on Train
End
- Main advantages:
- Compact transformation of categorical variables
- Powerful basis for feature engineering
- Disadvantages:
- Need careful validation, there a lot of ways to overfit
- Significant improvements only on specific datasets
高级特征工程I的更多相关文章
- 高级特征工程II
以下是Coursera上的How to Win a Data Science Competition: Learn from Top Kagglers课程笔记. Statistics and dist ...
- Python机器学习笔记 使用sklearn做特征工程和数据挖掘
特征处理是特征工程的核心部分,特征工程是数据分析中最耗时间和精力的一部分工作,它不像算法和模型那样式确定的步骤,更多的是工程上的经验和权衡,因此没有统一的方法,但是sklearn提供了较为完整的特征处 ...
- 谷歌大规模机器学习:模型训练、特征工程和算法选择 (32PPT下载)
本文转自:http://mp.weixin.qq.com/s/Xe3g2OSkE3BpIC2wdt5J-A 谷歌大规模机器学习:模型训练.特征工程和算法选择 (32PPT下载) 2017-01-26 ...
- 《转发》特征工程——categorical特征 和 continuous特征
from http://breezedeus.github.io/2014/11/15/breezedeus-feature-processing.html 请您移步原文观看,本文只供自己学习使用 连 ...
- 机器学习-特征工程-Feature generation 和 Feature selection
概述:上节咱们说了特征工程是机器学习的一个核心内容.然后咱们已经学习了特征工程中的基础内容,分别是missing value handling和categorical data encoding的一些 ...
- 机器学习实战基础(十八):sklearn中的数据预处理和特征工程(十一)特征选择 之 Wrapper包装法
Wrapper包装法 包装法也是一个特征选择和算法训练同时进行的方法,与嵌入法十分相似,它也是依赖于算法自身的选择,比如coef_属性或feature_importances_属性来完成特征选择.但不 ...
- 使用sklearn做单机特征工程
目录 1 特征工程是什么?2 数据预处理 2.1 无量纲化 2.1.1 标准化 2.1.2 区间缩放法 2.1.3 标准化与归一化的区别 2.2 对定量特征二值化 2.3 对定性特征哑编码 2.4 缺 ...
- 特征工程(Feature Enginnering)学习记要
最近学习特征工程(Feature Enginnering)的相关技术,主要包含两块:特征选取(Feature Selection)和特征抓取(Feature Extraction).这里记录一些要点 ...
- 【转】使用sklearn做单机特征工程
这里是原文 说明:这是我用Markdown编辑的第一篇随笔 目录 1 特征工程是什么? 2 数据预处理 2.1 无量纲化 2.1.1 标准化 2.1.2 区间缩放法 2.1.3 无量纲化与正则化的区别 ...
随机推荐
- day18 正则表达式初学
正则规则:客观存在的,世界上任何一种语言都能使用它. 在线测试网址:http://tool.chinaz.com/regex 正则语句:只和字符串相关,需要考虑的是:在同一个位置上可以出现的字符范围 ...
- [CF1311A] Add Odd or Subtract Even
Solution a<b, delta=odd, ans=1 a<b, delta=even, ans=2 a=b ans=0 a>b, delta=odd, ans=2 a> ...
- HTML(多行)文本超过部分隐藏,末尾显示(...)
HTML(多行)文本超过部分隐藏,末尾显示(...) <!DOCTYPE html> <html> <head> <meta charset="ut ...
- js函数的使用+封装+代码复用
javascript 函数 return 后面没有返回值 代表提早退出语句,return后面的语句都不再执行 此时返回值为undefined <!DOCTYPE html> <htm ...
- mac本地安装全局包报错npm WARN checkPermissions
安装本地全局包时,本地报错 npm WARN checkPermissions Missing write access to /Users/xxx/.nvm/versions/node/v11.10 ...
- JAVA控制流程
Java代码有三种执行结构流程,顺序结构.分支结构.循环结构 顺序结构 顺序结构是最简单的代码执行结构,从代码开始逐步执行每一句代码到结束 public class C { public static ...
- Fabric智能合约(base)
这里的智能合约仅包含Init函数和Invoke函数. 为什么一定是这两个方法? 因为在源码中的智能合约模块有这样的接口,如果要完成智能合约的相关编程,就需要实现源码中定义的接口,接口中定义了这两个方法 ...
- mybatis-plus invalid bound statement (not found) insert解决办法
使用mybatis-plus时,使用IService.insert方法时,提示找不到insert方法,原因是,mybatis-plus提供了两个BaseMapper和IService. 改成引用imp ...
- Spark学习之路 (六)Spark Transformation和Action[转]
Transformation算子 基本的初始化 (1)java static SparkConf conf = null; static JavaSparkContext sc = null; sta ...
- py二级习题(猜猜我心中的数字)
import random number = random.randint(1,100) while True: inputnumber = int(input("请输入你心中的数字:&qu ...