目录

一、    特征工程是什么?    2

①特征使用方案    3

②特征获取方案    4

③特征处理    4

1.    特征清洗    4

2.    数据预处理    4

3.    特征监控    4

二、    数据预处理    5

1.    无量纲化    5

1.1标准化    5

1.2区间缩放法    7

1.3归一化方法有两种    7

2.    对定量特征二值化    8

1.    为什么要对定量特征二值化?    8

2.    对定量特征二值化的方法    8

3.    对定性特征哑编码    8

1)    OneHotEncoder()热编码    8

2)    LabelEncoder()标签编码    8

4.    缺失值计算,处理缺失值    8

1)    删除包含缺失值的数据列(这种方法适用于数据列包含的缺失值太多的情况)    8

2)    填补缺失值    9

3)    拓展方法    9

5.    数据变换    9

6.    回顾    9

三、    特征选择    10

1.Filter过滤法    10

1.1方差选择法    10

1.2相关系数法    11

1.3卡方检验    12

1.4互信息法    12

2.Wrapper:包装法    12

2.1递归特征消除法    12

3.Embedder    13

3.1基于惩罚项的特征选择法    13

3.2基于树模型的特征选择法    13

4回顾    13

四、    降维    13

1.    主成分分析法(PCA)    14

2.    线性判别分析法(LDA)    14

3.    回顾    14

五、    总结    14

使用sklearn做单机特征工程

原文链接:https://www.cnblogs.com/jasonfreak/p/5448385.html

  1. 特征工程是什么?

    有这么一句话在业界流传: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:

①特征使用方案

  1. 要实现我们的目标需要哪些数据? ----基于业务理解,尽可能找出对因变量有影响的所有自变量。
  2. 可用性评估
    1. 获取难度
    2. 覆盖率
    3. 准确率

②特征获取方案

  1. 如何获取这些特征?
  2. 如何存储?

③特征处理

  1. 特征清洗
    1. 清洗异常样本
    2. 采样:数据不均衡、样本权重
  2. 数据预处理
    1. 单个特征:归一化、离散化、Dummy Coding、缺失值和数据变换(log,指数,Box-Cox)
    2. 多个特征:

      ❶降维(PCA、LDA)

      ❷特征选择

      1. Filter(思路:自变量和目标变量之间的关联;相关系数;卡方检验;信息增益;互信息)
      2. Wrapper(思路:通过目标函数(AUC/MSE)来决定是否加入一个变量;迭代:产生特征子集,评价(完全搜索、启发式搜索、随即搜索))
      3. Embedded(思路:学习器自身自动选择特征;正则好(L1,L2);决策树(熵,信息增益);深度学习)
    3. 衍生变量 ----对原始数据加工,生成有商业意义的变量
  3. 特征监控
    1. 特征有效性分析 ----特征重要性,权重
    2. 特征监控----监控重要特征----防止特征质量下降,影响模型效果

特征处理时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。

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(Iris Setosa(山鸢尾)、Iris Versicolour(杂色鸢尾),Iris Virginica(维吉尼亚鸢尾))。导入IRIS数据集的代码如下:

from sklearn.datasets import load_iris

#导入IRIS数据集

iris = load_iris()

#特征矩阵

dataset=iris.data

#目标向量

labels=iris.target

  1. 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:

  1. 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。
  2. 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。
  3. ,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。
  4. 存在缺失值:缺失值需要补充
  5. 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。

  1. 无量纲化

    无量纲化可以加快梯度下降法收敛速度,有可能提高精度。

    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。

    1.1标准化

    ,标准差为1。使用该方法无量纲化后不同变量间的均值和标准差都相同,即同时消除了变量间变异程度上的差异。

    标准化公式为:

    sklearn实现标准化有两种不同的方式:

    1. preprocessing.scale()方法实现,可以直接将给定数据进行标准化,得到(0—1正态分布)Standardize a dataset along any axis

      其中:参数x(类数组,稀疏矩阵)

      ),如果为0,按特征(即列)标准化;如果为1,按样本(即行)标准化

      with_mean:均值,默认为真

      with_std:方差,默认为真

    2. 使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数

      据。

class sklearn.preprocessing.StandardScaler(copy=Truewith_mean=Truewith_std=True)

通过删除平均值和缩放到单位方差来标准化特征

参数:copy:默认为True

这个类的属性:

scale_:数据的相对缩放

mean_:训练集中每个特征的均值

var_:训练集中每个特征的方差、

n_samples_seen_:int类型,样本数

这个类的方法:

fit(X[,y]):计算均值和方差为了之后的缩放

fit_transform():训练,然后标准化数据

get_params(deep=True):得到估计量的参数

inverse_transform(X, copy=None):反标准化

transform(X, y='deprecated', copy=None):标准化

1.2区间缩放法

区间缩放法的思路有多种,常见的一种是利用两个最值进行缩放,公式表达为:

1.3归一化方法有两种

)使用Normalizer类的方法归一化

class sklearn.preprocessing.Normalizer(norm='l2'copy=True)

将样品归一化为单位范数

)使用normalize()方法进行归一化

sklearn.preprocessing.normalize(Xnorm='l2'axis=1copy=Truereturn_norm=False)

  1. 对定量特征二值化
    1. 为什么要对定量特征二值化?

      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。

    2. 对定量特征二值化的方法

  2. 对定性特征哑编码

    1. OneHotEncoder()热编码

      给定一个数据集,我们让编码器找到每个特征的最大值,并将数据转换为二进制的形式表现出来。

      的三个样本值为1,2,9,会编为一个二进制

    2. LabelEncoder()标签编码

      将标签编码为不同的数字来表示不同的类别

  3. 缺失值计算,处理缺失值

在python语言中,缺失值一般被称为nan,是"not a number"的缩写。

下面的代码可以计算出数据总共有多少个缺失值,这里数据是存储在pandas中的DateFrame中:

  1. 删除包含缺失值的数据列(这种方法适用于数据列包含的缺失值太多的情况)

    在大多数情况下,我们必须在训练集(training dataset)和测试集(test dataset)中删除同样的数据列。

  2. 填补缺失值

    这种方法比直接删除数据列好点,能训练出更好的模型。

    默认的填补策略是使用均值填充

  3. 拓展方法

    如果缺失数据包含重要特征信息的话,我们需要保存原始数据的缺失信息,存储在boolearn列中

  1. 数据变换

  2. 回顾

    1. 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,

      ****从两个方面选择特征:

      ,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作用。

      ②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,应当优先选择。除方差法外,本文介绍的其他方法均从相关性考虑。

      种:

      ①Filter: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。

      ②Wrapper: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。

      Embedder: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,根据稀疏从大到小选择特征,类似于Filter方法,但是是通过训练来确定大哥特征的优劣。

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

      .Filter过滤法

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:

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得相关系数以及相关系数得P值,用feature_selection库得SelectKBest类结合相关系数来选择特征得代码如下:

相关系数表征两组数得相关程度。

1.3卡方检验

经典得卡方检验是检验定性自变量对定性因变量得相关性。假设自变量有N中取值,因变量有M中取值,考虑自变量等于i且因变量等于j得样本频数得观察值与期望得差距,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:

1.4互信息法

经典得互信息也是评价定性自变量对定性因变量得相关性的,互信息计算公式如下:

2.Wrapper:包装法

2.1递归特征消除法

递归消除特征法使用一个基模型来进行多轮训练,每轮训练后,消除若干权值系数的特征,再基于新的特征集进行下一轮训练。使用feature_selection库的RFE类来选择特征的代码如下:

3.Embedder

3.1基于惩罚项的特征选择法

3.2基于树模型的特征选择法

回顾

  1. 降维

    当特征选择完成后,可以直接训练模型了,但是可能由于特征矩阵过大,导致计算量大,训练时间长的问题,因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外,另外还有主成分分析法(PCA)和线性判别分析(LDA),线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点,其本质是要将原始的样本映射到维度更低的样本空间中,但是PCA和LDA的映射目标不一样:PCA是为了让映射后的样本具有最大的发散性;而LDA是为了让映射后的样本有最好的分类性能。所以说PCA是一种无监督的降维方法,而LDA是一种有监督的降维方法。

    1. 主成分分析法(PCA)

    2. 线性判别分析法(LDA)

    3. 回顾

  2. 总结

    再让我们回归一下本文开始的特征工程的思维导图,我们可以使用sklearn完成几乎所有特征处理的工作,而且不管是数据预处理,还是特征选择,抑或降维,它们都是通过某个类的方法fit_transform完成的,fit_transform要不只带一个参数:特征矩阵,要不带两个参数:特征矩阵加目标向量。这些难道都是巧合吗?还是故意设计成这样?方法fit_transform中有fit这一单词,它和训练模型的fit方法有关联吗?接下来,我将在《使用sklearn优雅地进行数据挖掘》中阐述其中的奥妙!

sklearn特征工程的更多相关文章

  1. sklearn—特征工程

    sklearn实战-乳腺癌细胞数据挖掘(博主亲自录制视频) https://study.163.com/course/introduction.htm?courseId=1005269003& ...

  2. sklearn特征工程总结

    转自: http://www.cnblogs.com/jasonfreak/p/5448385.html https://www.zhihu.com/question/28641663/answer/ ...

  3. 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 ...

  4. 【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 ...

  5. 转载: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 ...

  6. 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 ...

  7. [特征工程]-------使用sklearn做单机特征工程[转载]

    https://www.cnblogs.com/jasonfreak/p/5448385.html 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 ...

  8. Sklearn与特征工程

    Scikit-learn与特征工程 “数据决定了机器学习的上限,而算法只是尽可能逼近这个上限”,这句话很好的阐述了数据在机器学习中的重要性.大部分直接拿过来的数据都是特征不明显的.没有经过处理的或者说 ...

  9. 【转】使用sklearn做特征工程

    1 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 ...

随机推荐

  1. Python 练习题总结(待续)

    1.编写一个函数,接受一个参数n,n为正整数,左右两种打印方 式.要求数字必须对齐 正三角 倒三角 实现思路: 思路1.一行一行打印,前面追加空格,每一个空格的宽度等于数字字符串的宽度 #正三角打印d ...

  2. Java读取Excel文件(包括xls和xlsx)的样例程序

    样例程序如下所示,其中: parseXls()函数依赖于jxl,只能读取xls格式文件: parseExcel()函数依赖于apache poi,能够读取xls和xlsx两种格式的文件. jxl的依赖 ...

  3. jQuery BlockUI Plugin Demo

    1.Login Form $(document).ready(function() { $('#demo1').click(function() { $.blockUI({ message: $('# ...

  4. 对图片清晰度问题,纠结了一晚上。清理了下Libray,瞬间变清晰了,泪奔

    对图片清晰度问题,纠结了一晚上.清理了下Libray,瞬间变清晰了,泪奔

  5. pycharm操作Django基础部分

    原文地址:https://www.cnblogs.com/feixuelove1009/p/5823135.html

  6. Matlab给曲线添加加参考线

    声明:引用请注明出处http://blog.csdn.net/lg1259156776/ 对于Matlab的使用情况常常是这样子的,很多零碎的函数名字很难记忆,经常用过后过一段时间就又忘记了,又得去网 ...

  7. ul根据后台添加li,并在点击li时,颜色随之变化

    在我们大多数时候都是通过<ul><li>...</li></ul>来实现同级的加载,但是也用很多时候li里的内容是不固定的.需要根据后台返回数据来生成. ...

  8. 洛谷 题解 UVA1395 【苗条的生成树 Slim Span】

    [题意] 给出一个\(n(n<=100)\)个节点的的图,求最大边减最小边尽量小的生成树. [算法] \(Kruskal\) [分析] 首先把边按边权从小到大进行排序.对于一个连续的边集区间\( ...

  9. [转帖]彻底弄懂UTF-8、Unicode、宽字符、locale

    彻底弄懂UTF-8.Unicode.宽字符.locale linux后端开发   已关注   彻底弄懂UTF-.Unicode.宽字符.locale unicode 是字符集 utf-8是编码格式.. ...

  10. [转帖]linux常用命令大全(linux基础命令入门到精通+实例讲解+持续更新+命令备忘录+面试复习)

    linux常用命令大全(linux基础命令入门到精通+实例讲解+持续更新+命令备忘录+面试复习) https://www.cnblogs.com/caozy/p/9261224.html 总结的挺好的 ...