特征选择:方差选择法、卡方检验、互信息法、递归特征消除、L1范数、树模型
转载:https://www.cnblogs.com/jasonfreak/p/5448385.html
特征选择主要从两个方面入手:
- 特征是否发散:特征发散说明特征的方差大,能够根据取值的差异化度量目标信息.
- 特征与目标相关性:优先选取与目标高度相关性的.
- 对于特征选择,有时候我们需要考虑分类变量和连续变量的不同.
1.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
方差选择法:建议作为数值特征的筛选方法
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
from sklearn.feature_selection import VarianceThreshold
from sklearn.datasets import load_iris
import pandas as pd X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) #建议作为数值特征的筛选方法,对于分类特征可以考虑每个类别的占比问题
ts = 0.5
vt = VarianceThreshold(threshold=ts)
vt.fit(X_df) #查看各个特征的方差
dict_variance = {}
for i,j in zip(X_df.columns.values,vt.variances_):
dict_variance[i] = j
#获取保留了的特征的特征名
ls = list()
for i,j in dict_variance.items():
if j >= ts:
ls.append(i)
X_new = pd.DataFrame(vt.fit_transform(X_df),columns=ls)
卡方检验:建议作为分类问题的分类变量的筛选方法
经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值,因变量有M种取值,考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距,构建统计量:

from sklearn.feature_selection import VarianceThreshold,SelectKBest,chi2
from sklearn.datasets import load_iris
import pandas as pd X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) (chi2,pval) = chi2(X_df,y) dict_feature = {}
for i,j in zip(X_df.columns.values,chi2):
dict_feature[i]=j #对字典按照values排序
ls = sorted(dict_feature.items(),key=lambda item:item[1],reverse=True) #特征选取数量
k =2
ls_new_feature=[]
for i in range(k):
ls_new_feature.append(ls[i][0]) X_new = X_df[ls_new_feature]
互信息法:建议作为分类问题的分类变量的筛选方法
经典的互信息也是评价定性自变量对定性因变量的相关性的,为了处理定量数据,最大信息系数法被提出,互信息计算公式如下:

from sklearn.feature_selection import VarianceThreshold,SelectKBest,chi2
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.feature_selection import mutual_info_classif #用于度量特征和离散目标的互信息
X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) feature_cat = ["A","D"]
discrete_features = []
feature = X_df.columns.values.tolist()
for k in feature_cat:
if k in feature:
discrete_features.append(feature.index(k)) mu = mutual_info_classif(X_df,y,discrete_features=discrete_features,
n_neighbors=3, copy=True, random_state=None) dict_feature = {}
for i,j in zip(X_df.columns.values,mu):
dict_feature[i]=j #对字典按照values排序
ls = sorted(dict_feature.items(),key=lambda item:item[1],reverse=True) #特征选取数量
k =2
ls_new_feature=[]
for i in range(k):
ls_new_feature.append(ls[i][0]) X_new = X_df[ls_new_feature]
from sklearn.feature_selection import VarianceThreshold,SelectKBest,chi2
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.feature_selection import mutual_info_classif,mutual_info_regression #用于度量特征和连续目标的互信息
X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) feature_cat = ["A","D"]
discrete_features = []
feature = X_df.columns.values.tolist()
for k in feature_cat:
if k in feature:
discrete_features.append(feature.index(k)) mu = mutual_info_regression(X_df,y,discrete_features=discrete_features,
n_neighbors=3, copy=True, random_state=None) dict_feature = {}
for i,j in zip(X_df.columns.values,mu):
dict_feature[i]=j #对字典按照values排序
ls = sorted(dict_feature.items(),key=lambda item:item[1],reverse=True) #特征选取数量
k =2
ls_new_feature=[]
for i in range(k):
ls_new_feature.append(ls[i][0]) X_new = X_df[ls_new_feature]
2.包装法
递归特征消除法: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
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.feature_selection import RFE,RFECV
from sklearn.ensemble import RandomForestClassifier X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) refCV = RFECV(estimator=RandomForestClassifier(),
step=0.5,
cv =5,
scoring=None,
n_jobs=-1) refCV.fit(X_df,y) #保留特征的数量
refCV.n_features_
#保留特征的False、True标记
refCV.support_
feature_new = X_df.columns.values[refCV.support_]
#交叉验证分数
refCV.grid_scores_
3.嵌入的方法
基于L1范数:使用带惩罚项的基模型,除了筛选出特征外,同时也进行了降维
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.feature_selection import SelectFromModel
from sklearn.linear_model import LogisticRegression X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) sf = SelectFromModel(estimator=LogisticRegression(penalty="l1", C=0.1),
threshold=None,
prefit=False,
norm_order=1) sf.fit(X_df,y) X_new = X_df[X_df.columns.values[sf.get_support()]]
基于树模型的特征选择法:
树模型中GBDT也可用来作为基模型进行特征选择,使用feature_selection库的SelectFromModel类结合GBDT模型
from sklearn.datasets import load_iris
import pandas as pd
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import GradientBoostingClassifier X,y = load_iris(return_X_y=True)
X_df = pd.DataFrame(X,columns=list("ABCD")) sf = SelectFromModel(estimator=GradientBoostingClassifier(),
threshold=None,
prefit=False,
norm_order=1) sf.fit(X_df,y) X_new = X_df[X_df.columns.values[sf.get_support()]]
特征选择:方差选择法、卡方检验、互信息法、递归特征消除、L1范数、树模型的更多相关文章
- 选择排序法、冒泡排序法、插入排序法、系统提供的底层sort方法排序之毫秒级比较
我的代码: package PlaneGame;/** * 选择排序法.冒泡排序法.插入排序法.系统提供的底层sort方法排序之毫秒级比较 * @author Administrator */impo ...
- C# 冒泡排序法、插入排序法、选择排序法
冒泡排序法 是数组等线性排列的数字从大到小或从小到大排序. 以从小到大排序为例. 数据 11, 35, 39, 30, 7, 36, 22, 13, 1, 38, 26, 18, 12, 5, 45, ...
- 基于R实现k-means法与k-medoids法
k-means法与k-medoids法都是基于距离判别的聚类算法.本文将使用iris数据集,在R语言中实现k-means算法与k-medoids算法. k-means聚类 首先删去iris中的Spec ...
- Abaqus 子模型法 和 子结构法
目录 1 子模型法 1.2 子模型法应用考虑因素 1.3 子模型法关键技术 1.3.1 单元选择 1.3.2 驱动变量 1.3.3 链接整体模型和子模型 1.4 仿真过程 1.4.1 问题描述 1.4 ...
- 关于Java中的选择排序法和冒泡排序法
一,这种方法是直接传入一个数组进行排序(选择排序法) public static void selectSort(int arr[]){ for (int i = 0; i < arr.leng ...
- 【Java基础】选择排序、冒泡法排序、二分法查找
1.选择排序: //改进后的选择排序,减少交换的次数 public static void sortSelect(int arr[]) { //用于存放最小数的下标 int s; for (int i ...
- c/c++ 算法之快速排序法 冒泡排序法,选择排序法,插入排序法
本文详细叙述和实现了快速排序算法,冒泡排序 选择排序 插入排序比较简单,原理在这里不再详述,直接用代码进行了实现. 快速排序法(quicksort)是目前所公认最快的排序方法之一(视解题的对象而定), ...
- 自适应阈值二值化之最大类间方差法(大津法,OTSU)
最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU.它是按图像的灰度特性,将图像分成背景和目标2部分.背景和目标之间 ...
- c语言:简单排序:冒泡排序法、选择排序法、插入排序法(待写)
1.冒泡排序法: 假设有n个数需要按从小到大排序,冒泡排序的原理是,在这一排数字中,将第一个数与第二个数比较大小,如果后面的比前面的小,就将他们交换位置.然后再比较第二个和第三个,再交换,直到第n-1 ...
随机推荐
- IOS编码转化
原文地址:http://blog.csdn.net/huifeidexin_1/article/details/7883984 iOS中编码转化 1.UTF-8转化 NSString *data = ...
- Java中生产者与消费者模式
生产者消费者模式 首先来了解什么是生产者消费者模式.该模式也称有限缓冲问题(英语:Bounded-buffer problem),是一个多线程同步问题的经典案例.该问题描述了两个共享固定大小缓冲区的线 ...
- HDU 2072 单词数 详细解答
题目 单词数 Time Limit: 1000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others) Total Submis ...
- Sublime Text3 使用
注: 1.绿色版的某些插件有问题,导致某些插件无法使用,而且无法删除和安装,需要删除Data/Cache目录,重新安装无法使用的插件 2.绿色版无法编译python,可使用安装版安装sublime后, ...
- 阿里云流计算专场-GitHub上相关文档
阿里云流计算专场-GitHub路径:https://github.com/Alibaba-Technology/hangzhouYunQi2017ppt
- Msmq设计文档(赋源代码)
Msmq设计文档(赋源代码) Msmq设计文档 文件状态: [√] 草稿 [ ] 正式发布 [ ] 正在修改 文件标识: ECI-MSMQ v01 当前版本: 0.5 作 者: ...
- 使用php的curl根据关键词爬取百度搜索结果页
http://bbs.csdn.net/wap/topics/390938327 正则表达式匹配Html标签 查找所有的TD区域(最短):<td\s*.*>\s*.*<\/td& ...
- MySQL Group Replication
group replication是一种全新的高可用,高扩张的MySQL集群服务.高一致性,基于原生复制及paxos协议的组复制技术,以插件方式提供一致数据安全保证:高容错性,大多数服务正常就可继续工 ...
- [LeetCode系列] 双单链表共同节点搜索问题
找到两个单链表的共同节点. 举例来说, 下面两个链表A和B: A: a1 → a2 ↘ c1 → c2 → c3 ↗ B: b1 → b2 → b3 共同节点为c1. 分析: 共同节点距离A,B的起点 ...
- logging 的配置和使用
logging 的配置和使用 reference : logging cookbook logging HOWTO 测试源码,example import logging nt = 'xwei' # ...