sklearn特征工程
目录
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
使用sklearn做单机特征工程
原文链接:https://www.cnblogs.com/jasonfreak/p/5448385.html
- 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
- 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。
- 可用性评估
- 获取难度
- 覆盖率
- 准确率
②特征获取方案
- 如何获取这些特征?
- 如何存储?
③特征处理
- 特征清洗
- 清洗异常样本
- 采样:数据不均衡、样本权重
- 数据预处理
- 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)
- 多个特征:
❶降维(PCA、LDA)
❷特征选择
- 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)
- 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))
- 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)
- 衍生变量 ----对原始数据加工,生成有商业意义的变量
- 特征监控
- 特征有效性分析 ----特征重要性,权重
- 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 |
- 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。
- ,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。
- 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:
- 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
- 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=True, with_mean=True, with_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(X, norm='l2', axis=1, copy=True, return_norm=False) |
- 对定量特征二值化
- 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。
- 对定量特征二值化的方法
- 对定性特征哑编码
- 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
- LabelEncoder()标签编码
将标签编码为不同的数字来表示不同的类别
- 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:
- 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。
- 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
- 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
- 数据变换
- 回顾
- 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
- 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。
- 主成分分析法(PCA)
- 线性判别分析法(LDA)
- 回顾
- 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
- 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& ...
- sklearn特征工程总结
转自: http://www.cnblogs.com/jasonfreak/p/5448385.html https://www.zhihu.com/question/28641663/answer/ ...
- 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 ...
- 【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 ...
- 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 ...
- 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 ...
- [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 ...
- 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 ...
- 【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
- iOS-UIWebView去掉滚动条和黑色背景即拖拽后的上下阴影
iOS UIWebView去掉滚动条和黑色背景即拖拽后的上下阴影 隐藏滚动条和上下滚动时出边界的后面的黑色的背景 webView.backgroundColor=[UIColor clearColor ...
- Tesnsorflow命名空间与变量管理参数reuse
一.TensorFlow中变量管理reuse参数的使用 1.TensorFlow用于变量管理的函数主要有两个: (1)tf.get_variable:用于创建或获取变量的值 (2)tf.varia ...
- hana客户端工具
SAP HANA可视化客户端工具是C/S模式的,远程访问使用,都不是太方便,目前有一款基于WEB的可视化工具TreeSoft,通过浏览器就可以访问使用了,并且可以同时管理.维护.监控SAP HANA等 ...
- docker安装并持久化postgresql数据库
安装docker步骤略过 1.拉取postgresql镜像 docker pull postgresql 2.创建本地卷,数据卷可以在容器之间共享和重用, 默认会一直存在,即使容器被删除(docker ...
- Android Studio优化编译速度
随着Android Studio的不断完善,其安卓开发者阵营也基本从Eclipse转移到了Android Studio,毕竟Android Studio是谷歌亲力亲为开发的官方开发软件.不过其最重要的 ...
- 最新 二六三网络通信java校招面经 (含整理过的面试题大全)
从6月到10月,经过4个月努力和坚持,自己有幸拿到了网易雷火.京东.去哪儿. 二六三网络通信等10家互联网公司的校招Offer,因为某些自身原因最终选择了 二六三网络通信.6.7月主要是做系统复习.项 ...
- CVE-2019-0708 RDP MSF漏洞利用
CVE-2019-0708 RDP MSF漏洞复现 漏洞环境 使用 VMware 安装Windows7 X64 模拟受害机 Windows7 X64下载链接:链接: https://pan.baidu ...
- 滑动窗口协议(Sliding Window Protocol)
滑动窗口协议(Sliding Window Protocol),属于TCP协议的一种应用,用于网络数据传输时的流量控制,以避免拥塞的发生.该协议允许发送方在停止并等待确认前发送多个数据分组.由于发送方 ...
- Git在新电脑拉github 上的项目
非小白教程.多少有点了解的才能看懂. 1,安装git 忽略,任意i找一个图文教程即可 2,在命令行模式 输入 cd ~/.ssh/ 进入c:administrator的文件下的.ssh文件夹: 或者 ...
- Word 查找替换高级玩法系列之 -- 用替换功能删除空白区域
当你遇到Word文档中时不时的出现一些空白区域的时候会怎么办呢?一个个删除吗?NO!NO!NO!!!那样也太慢了!仅使用替换功能就可以帮你一步搞定它! 下面这篇文档中含有半角空格.全角空格.不间断空格 ...