特征选择：常见方法总结

特征选择方法
目的：

减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解

方法：

一、方差选择法。（from
sklearn.feature_selection import VarianceThreshold）

 a. 特征值需为离散型变量，若是连续型，需要连续变量离散化。

b. 最简单。实用性差。可作为特征选择预处理。
 问：为什么方差可以用来选择特征？
 理论上是认为在样本集上如果当前特征基本上都差异不大，因此可以认为这个特征对我们区分样本贡献不大，因此可以在构造特征过程中可以将其去掉。（联系PCA降维）

二、单变量特征选择。

（1）Pearson相关系数 （from scipy.stats import pearsonr）

a. 最简单的，衡量变量之间的线性相关性，结果取值[-1，1]
b. 只适用于线性关系。
（2）Spearman相关系数 （from
scipy.stats import spearmanr）

a. 描述相关性强弱以及方向，与分布无关。

b. 适用于线性，和简单非线性关系。

c.  pearson使用数据再做，spearman使用数据的秩次再做。

（3）Kendall相关系数 （from
scipy.stats import kendalltau）

a. 是表示多列等级变量相关程度的一种方法。

b. 一般采用等级评定的方法，即让K个评价者对N件事物进行等级评定，每个评价者都能对N件事物排出一个等级顺序。K个评价者便可得到K列从1至N的等级变量数据。这类K列等级变量数据综合起来求相关，可用肯德尔系数。

（4）卡方检验（from sklearn.feature_selection import chi2）

（5）最大信息系数（MIC）
（from minepy import MINE ）

 a.
MIC具有普适性，不限定于特定的函数类型(如线性函数、指数函数或周期函数。

 b.互信息直接用于特征选择不太方便：1、它不属于度量方式，也没有办法归一化，在不同数据及上的结果无法做比较；2、对于连续变量的计算不是很方便，通常变量需要先离散化，而互信息的结果对离散化的方式很敏感。

 c. Mic首先寻找一种最优的离散化方式，然后把互信息取值转换成一种度量方式，取值区间在[0，1]。

ps: SelectKBest: 选择排名前 k 名的所有特征。 (from
sklearn.feature_selection import SelectKBest)