Feature Selection For Machine Learning in Python
原文作者：Jason Brownlee
原文地址：https://machinelearningmastery.com/feature-selection-machine-learning-python/
译者微博：@从流域到海域
译者博客：blog.csdn.net/solo95
Python机器学习中的特征选择
您用来训练机器学习模型的数据特征(data features)对最终实现时能达到的性能表现有巨大的影响。
不相关或部分相关的特征可能会对模型性能产生负面影响。
在这篇文章中，您将会了解自动特征选择技术，您可以使用scikit-learn在Python中准备机器学习(所使用的)数据。
让我们开始吧。
更新于2016年12月：修正了RFE部分关于所选择变量的错字。感谢 Anderson。
Python中机器学习的特征选择
Baptiste Lafontaine的照片，保留一些权利
特征选择
特征选择是一个过程，您可以自动选择数据中您感兴趣的对预测变量或输出贡献(影响)最大的特征。
数据中不相关的特征会降低许多模型的精确度，特别是线性算法和逻辑回归等线性算法。
在对数据建模之前执行特征选择的三个好处是：
- 减少过度配合：减少冗余数据意味着根据噪音(noise)作出决定的机会减少。
- 提高准确性：更少的误导数据意味着建模精确度提高。
- 减少训练时间：更少的数据意味着算法训练更快。
您可以在文章“Feature selection”了解有关使用scikit-learn进行特征选择的更多信息。
对Python中的机器学习有疑问？
你可以试试我免费的2周邮件课程并了解数据准备，算法等等(都是非常简单的代码)。
点击这里注册并且免费获得一个该课程的PDF电子书。
机器学习的特征选择
本节列出了Python中用于机器学习的4个特征选择方案。
这篇文章包含特征选择方法的方案。
每个方案的设计都是完整但完全独立的，因此您可以直接将其复制并粘贴到您的项目中并立即使用。
这些方案使用Pima Indians onset of diabetes dataset来演示特征选择方法。这是一个二元分类问题，其中所有的属性都是数字的。
1.单因素特征选择
可以使用统计测试来选择与输出变量具有最强(最紧密)关系的那些要素。
scikit-learn库提供了SelectKBest类，可以使用一系列不同的统计测试来选择特定数量的特征。
下面的例子使用针对非负特征的chi平方（chi ^ 2）统计测试来从皮马印第安人糖尿病数据集发病中选择4个最佳特征。
# Feature Extraction with Univariate Statistical Tests (Chi-squared for classification)
import pandas
import numpy
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
# load data
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = pandas.read_csv(url, names=names)
array = dataframe.values
X = array[:,0:8]
Y = array[:,8]
# feature extraction
test = SelectKBest(score_func=chi2, k=4)
fit = test.fit(X, Y)
# summarize scores
numpy.set_printoptions(precision=3)
print(fit.scores_)
features = fit.transform(X)
# summarize selected features
print(features[0:5,:])你可以看到每个属性的得分和所选择的4个属性（得分最高的属性）：plas，test，mass和age。
[ 111.52 1411.887 17.605 53.108 2175.565 127.669 5.393
181.304]
[[ 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. ]]2.递归特征消除
The Recursive Feature Elimination（递归特征消除（或RFE））通过递归地移除属性然后使用最后留下的属性来搭建一个模型。
它使用模型准确度来确定哪些属性（以及属性组合）对预测目标属性贡献(影响)最大。
您可以在scikit-learn文档中了解有关RFE类的更多信息。
下面的例子使用了逻辑回归算法的RFE来选择前3个特征。算法的选择并不重要，只要它是熟练和一致的。
# Feature Extraction with RFE
from pandas import read_csv
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
# load data
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = read_csv(url, names=names)
array = dataframe.values
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_您可以看到，RFE选择的前三名的特征，如preg，mass 和pedi。
这些在support_数组中标记为True，并在ranking_数组中标记为“1” 。
Num Features: 3
Selected Features: [ True False False False False True True False]
Feature Ranking: [1 2 3 5 6 1 1 4]3.主成分分析
主成分分析（Principal Component Analysis或PCA）使用线性代数将数据集转换为压缩格式。
通常这被称为数据压缩技术。PCA的一个属性是可以在转换结果中选择维数或主成分。
在下面的例子中，我们使用PCA并选择3个主要组件。
通过查看PCA API，在scikit-learn中了解更多关于PCA类的内容。您也可以在 Principal Component Analysis Wikipedia article.中深入探讨PCA背后的数学。
# Feature Extraction with PCA
import numpy
from pandas import read_csv
from sklearn.decomposition import PCA
# load data
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = read_csv(url, names=names)
array = dataframe.values
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_)您可以看到被转换的数据集（3个主要组件）与源数据几乎没有相似之处。
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]]4.特征重要性
像随机森林（Random Forest）和额外树（Extra Trees）这样的装袋决策树(Bagged decision trees)可以用来估计特征的重要性。
(Bagging算法 英语：Bootstrap aggregating，引导聚集算法），又称装袋算法,译者注)。
在下面的例子中，我们为Pima印第安人记录在案的糖尿病数据集构建了一个ExtraTreesClassifier分类器。您可以 在scikit-learn API中了解关于ExtraTreesClassifier类的更多信息。
# Feature Importance with Extra Trees Classifie
from pandas import read_csv
from sklearn.ensemble import ExtraTreesClassifie
# load data
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data"
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = read_csv(url, names=names)
array = dataframe.values
X = array[:,0:8]
Y = array[:,8]
# feature extraction
model = ExtraTreesClassifier()
model.fit(X, Y)
print(model.feature_importances_)你可以看到，我们给每个属性都分配了重要性分数，其中越重要的属性得分越高。分数表明了plas，age和mass的重要性。
[ 0.11070069 0.2213717 0.08824115 0.08068703 0.07281761 0.14548537 0.12654214 0.15415431]摘要
在这篇文章中，您了解了使用scikit-learn在Python中准备机器学习数据的特征选择。
您了解了4种不同的自动特征选择技术：
- 单因素特征选择。
- 递归特征消除。
- 主成分分析。
- 特征重要性。
如果您正在寻找关于特征选择的更多信息，请参阅以下相关文章：