摘要：在中實現機器學習功能的種方法來源愿碼內容編輯愿碼連接每個程序員的故事網站愿碼愿景打造全學科系統免費課程，助力小白用戶初級工程師成本免費系統學習低成本進階，幫助一線資深工程師成長并利用自身優勢創造睡后收入。

來源 | 愿碼(ChainDesk.CN)內容編輯
愿碼Slogan | 連接每個程序員的故事
網站 | http://chaindesk.cn

愿碼愿景 | 打造全學科IT系統免費課程，助力小白用戶、初級工程師0成本免費系統學習、低成本進階，幫助BAT一線資深工程師成長并利用自身優勢創造睡后收入。
官方公眾號 | 愿碼 | 愿碼服務號 | 區塊鏈部落
免費加入愿碼全思維工程師社群 | 任一公眾號回復“愿碼”兩個字獲取入群二維碼

本文閱讀時長：13min

在本文中，我們將介紹從數據集中選擇要素的不同方法; 并使用Scikit-learn（sklearn）庫討論特征選擇算法的類型及其在Python中的實現 ：

單變量特征選擇

遞歸特征消除(RFE)

主成分分析（PCA）

特征選擇 (feature importance)

統計測試可用于選擇與輸出變量具有最強關系的那些特征。

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

以下示例使用chi平方（chi ^ 2）統計檢驗非負特征來選擇Pima Indians糖尿病數據集中的四個最佳特征：

#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,:])

每個屬性的分數和所選的四個屬性（分數最高的分數）：plas，test，mass和age。

每個功能的分數：

[111.52 ??1411.887 17.605 53.108 ?2175.565 ??127.669 5.393

181.304]

特色：

[[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. ]]

RFE通過遞歸刪除屬性并在剩余的屬性上構建模型來工作。它使用模型精度來識別哪些屬性（和屬性組合）對預測目標屬性的貢獻最大。以下示例使用RFE和邏輯回歸算法來選擇前三個特征。算法的選擇并不重要，只要它技巧性和一致性：

#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_)

執行后，我們將獲得：

Num Features: 3

Selected Features: [ True False False False False ??True ?True False]

Feature Ranking: [1 2 3 5 6 1 1 4]

您可以看到RFE選擇了前三個功能，如preg，mass和pedi。這些在support_數組中標記為True，并在ranking_數組中標記為選項1。

PCA使用線性代數將數據集轉換為壓縮形式。通常，它被認為是數據簡化技術。PCA的一個屬性是您可以選擇轉換結果中的維數或主成分數。

在以下示例中，我們使用PCA并選擇三個主要組件：

#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_)

您可以看到轉換后的數據集（三個主要組件）與源數據幾乎沒有相似之處：

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]]

特征重要性是用于使用訓練有監督的分類器來選擇特征的技術。當我們訓練分類器（例如決策樹）時，我們會評估每個屬性以創建分裂; 我們可以將此度量用作特征選擇器。讓我們詳細了解它。

隨機森林是最受歡迎的 機器學習方法之一，因為它們具有相對較好的準確性，穩健性和易用性。它們還提供了兩種直接的特征選擇方法 - 平均降低雜質和平均降低精度。

隨機森林由許多決策樹組成。決策樹中的每個節點都是單個要素上的條件，旨在將數據集拆分為兩個，以便類似的響應值最終出現在同一個集合中。選擇（局部）最佳條件的度量稱為雜質。對于分類，它通常是基尼系數

雜質或信息增益/熵，對于回歸樹，它是方差。因此，當訓練樹時，可以通過每個特征減少樹中的加權雜質的程度來計算它。對于森林，可以對每個特征的雜質減少進行平均，并且根據該度量對特征進行排序。

讓我們看看如何使用隨機森林分類器進行特征選擇，并評估特征選擇前后分類器的準確性。我們將使用Otto數據集。

該數據集描述了超過61,000種產品的93個模糊細節，這些產品分為10個產品類別（例如，時裝，電子產品等）。輸入屬性是某種不同事件的計數。

目標是將新產品的預測作為10個類別中每個類別的概率數組，并使用多類對數損失（也稱為交叉熵）來評估模型。

我們將從導入所有庫開始：

#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)

讓我們定義一種方法將數據集拆分為訓練和測試數據; 我們將在訓練部分訓練我們的數據集，測試部分將用于評估訓練模型：

#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

我們還需要添加一個函數來評估模型的準確性; 它將預測和實際輸出作為輸入來計算百分比準確度：

#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

這是加載數據集的時間。我們將加載train.csv文件; 此文件包含超過61,000個訓練實例。我們將在我們的示例中使用50000個實例，其中我們將使用35,000個實例來訓練分類器，并使用15,000個實例來測試分類器的性能：

#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))

我們在這里注意數據大小; 因為我們的數據集包含大約35000個具有94個屬性的訓練實例; 我們的數據集的大小非常大。讓我們來看看：

Shape of the dataset (35000, 94)

Size of Data set before feature selection: 26.32 MB

如您所見，我們的數據集中有35000行和94列，超過26 MB數據。

在下一個代碼塊中，我們將配置隨機林分類器; 我們將使用250棵樹，最大深度為30，隨機要素的數量為7.其他超參數將是sklearn的默認值：

#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))

我們模型的準確性是：

特征選擇前的模型精度為98.82

正如您所看到的，我們正在獲得非常好的準確性，因為我們將近99％的測試數據分類到正確的類別中。這意味著我們正在對15,000個正確類中的14,823個實例進行分類。

那么，現在我的問題是：我們是否應該進一步改進？好吧，為什么不呢？如果可以的話，我們肯定會尋求更多的改進; 在這里，我們將使用功能重要性來選擇功能。如您所知，在樹木構建過程中，我們使用雜質測量來選擇節點。選擇具有最低雜質的屬性值作為樹中的節點。我們可以使用類似的標準進行特征選擇。我們可以更加重視雜質較少的功能，這可以使用sklearn庫的feature_importances_函數來完成。讓我們找出每個功能的重要性：

#Once我們培養的模型中，我們的排名將所有功能的功能在拉鏈（feat_labels，clf.feature_importances_）：

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)

正如您在此處所看到的，每個要素都基于其對最終預測的貢獻而具有不同的重要性。

我們將使用這些重要性分數來排列我們的功能; 在下面的部分中，我們將選擇功能重要性大于0.01的模型訓練功能：

#Select features which have higher contribution in the final prediction

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

在這里，我們將根據所選的特征屬性轉換輸入數據集。在下一個代碼塊中，我們將轉換數據集。然后，我們將檢查新數據集的大小和形狀：

#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)

你看到數據集的形狀了嗎？在功能選擇過程之后，我們只剩下20個功能，這將數據庫的大小從26 MB減少到5.60 MB。這比原始數據集減少了約80％。

在下一個代碼塊中，我們將訓練一個新的隨機森林分類器，它具有與之前相同的超參數，并在測試數據集上進行測試。讓我們看看修改訓練集后得到的準確度：

#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

你能看到!! 我們使用修改后的數據集獲得了99.97％的準確率，這意味著我們在正確的類中對14,996個實例進行了分類，而之前我們只正確地對14,823個實例進行了分類。

這是我們在功能選擇過程中取得的巨大進步; 我們可以總結下表中的所有結果：

上表顯示了特征選擇的實際優點。您可以看到我們顯著減少了要素數量，從而降低了數據集的模型復雜性和維度。尺寸減小后我們的訓練時間縮短，最后，我們克服了過度擬合問題，獲得了比以前更高的精度。

如果您發現這篇文章很有用，記得轉發~