Python/scikit-learn机器学习库(特征选取)

去除方差小的特征

设置一个方差阈值，没有达到这个方差阈值的特征都会被丢弃。

VarianceThreshold，算法输入只要求特征(X),不需要输入结果(Y)。

from sklearn.feature_selection import VarianceThreshold

X=[[feature1,feature2,…],…]

sel=VarianceThreshold(threshold=xx)

print(sel.fit_transform(X))

单变量特征选取

单变量特征提取的原理是分别计算每个特征的某个统计指标，根据该指标来选取特征。

SelectKBest、SelectPercentile，前者选择排名前k个的特征，后者选择排名在前k%的特征。选择的统计指标需要指定，对于regression问题，使用f_regression指标;对于classification问题，可以使用chi2或者f_classif指标。

from sklearn.feature_selection import SelectKBest,chi2

X_new=SelectKBest(chi2,k=2).fit_transform(test_X,test_Y)

False Positive Rate，假阳性率

chi2,卡方统计量，X中特征取值必须非负。卡方检验用来测度随机变量之间的依赖关系。通过卡方检验得到的特征之间是最可能独立的随机变量，因此这些特征的区分度很高。

循环特征选取

不单独地检验某个特征的价值，而是检验特征集的价值。对于一个数量为n的特征集合，子集的个数为2的n次方减一。通过指定一个学习算法，通过算法计算所有子集的error，选择error最小的子集作为选取的特征。

RFE

对初始特征集合中每个特征赋予一个初始权重。

训练，将权重最小的特征移除。

不断迭代，直到特征集合的数目达到预定值。

from sklearn.svm import SVC

from sklearn.feature_selection import RFE

//X为样本集合，每个样本为一个数组，数组元素为各个特征值,Y样本的评分

svc=SVC(kernel=”linear”,C=1)

rfe=RFE(estimator=svc,n_features_to_select=5,step=1)

X_new=rfe.fit_transform(X,Y)

RFECV

在RFE训练时，增加交叉验证。

L1-base

在线性回归模型中，每一个特征代表一个w，若得到的w系数等于或接近0，则说明这些特征不重要。

LinearSVC

参数C控制特征系数稀疏度，C的值越小，选择的特征数越少。

from sklearn.svm import LinearSVC

X_new=LinearSVC(C=0.01,penalty=”l1”,dual=False).fit_transform(x,y)

决策树特征选取

通过决策树可以计算特征的重要性，抛弃不太重要的特性。

from sklearn.ensemble import ExtraTreesClassifier

clf=ExtraTreesClassifier()

X_new=clf.fit(x,y).transform(x)

//各个特征重要性

print(clf.feature_importances)

sklearn分类数据

sklearn.datasets.make_classification用来随机产生一个多分类问题。

n_features=n_informative+n_redundant+n_repeated。

n_clusters_per_class 每个分类的集群数

import sklearn.datasets

(x,y)=make_classification(n_samples=,

n_features=,

n_informative=,

n_redundant=,

n_repeated=,

n_classes=,

random_state=,

shuffle=False

)