隨着深度學習的蓬勃發展,越來越多的小夥伴開始嘗試搭建深層神經網絡應用於工作場景中,認爲只需要把數據放入模型中,調優模型參數就可以讓模型利用自身機制來選擇重要特徵,輸出較好的數據結果。
在現實工作場景中,受限制數據和時間,這樣的做法其實並不可取,一方面大量數據輸入將導致模型訓練週期增長,另一方面在當前細分市場中,並非所有場景都有海量數據,尋找海量數據中的重要特徵迫在眉睫。
本文我將教你三個選擇特徵的方法,這是任何想從事數據科學領域的都應該知道。本文的結構如下:
-
數據集加載和準備 -
方法1:從係數獲取特徵重要性 -
方法2:從樹模型獲取特徵重要性 -
方法3:從 PCA 分數中獲取特徵重要性 -
結論
數據集加載和準備
爲了方便介紹,我這裏使用"load_breast_cancer"數據集,該數據內置於 Scikit-Learn 中。
以下代碼段演示如何導入庫和加載數據集:
import numpy as np
import pandas as pd
from sklearn.datasets import load_breast_cancer
import matplotlib.pyplot as plt
from matplotlib import rcParams
rcParams['figure.figsize'] = 14, 7
rcParams['axes.spines.top'] = False
rcParams['axes.spines.right'] = False
# Load data
data = load_breast_cancer()
調用以下代碼,輸出結果。
df = pd.concat([pd.DataFrame(data.data, columns=data.feature_names),pd.DataFrame(data.target, columns=['y'])], axis=1)
df.head()
上述數據中有 30 個特徵變量和一個目標變量。所有值都是數值,並且沒有缺失的值。在解決縮放問題之前,還需要執行訓練、測試拆分。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
X = df.drop('y', axis=1)
y = df['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)
ss = StandardScaler()
X_train_scaled = ss.fit_transform(X_train)
X_test_scaled = ss.transform(X_test)
方法1:從係數獲取特徵重要性
檢查特徵重要性的最簡單方法是檢查模型的係數。例如,線性迴歸和邏輯迴歸都歸結爲一個方程,其中將係數(重要性)分配給每個輸入值。
簡單地說,如果分配的係數是一個大(負或正)數字,它會對預測產生一些影響。相反,如果係數爲零,則對預測沒有任何影響。
邏輯非常簡單,讓我們來測試一下,邏輯迴歸是一種合適的算法。擬合模型後,係數將存儲在屬性中coef_。
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
'Attribute': X_train.columns,
'Importance': model.coef_[0]
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可視化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()
下面是相應的可視化效果:該方法最大特點:「簡單」、「高效」。係數越大(在正方向和負方向),越影響預測效果。
方法2:從樹模型獲取重要性
訓練任何樹模型後,你都可以訪問 feature_importances 屬性。這是獲取功特徵重要性的最快方法之一。
以下代碼演示如何導入模型並在訓練數據上擬合模型,以及重要性的獲取:
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_train_scaled, y_train)
importances = pd.DataFrame(data={
'Attribute': X_train.columns,
'Importance': model.feature_importances_
})
importances = importances.sort_values(by='Importance', ascending=False)
# 可視化
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B')
plt.title('Feature importances obtained from coefficients', size=20)
plt.xticks(rotation='vertical')
plt.show()
相應的可視化效果如下所示:
方法3:從 PCA 分數獲取特徵重要性
主成分分析(PCA)是一種出色的降維技術,也可用於確定特徵的重要性。
PCA 不會像前兩種技術那樣直接顯示最重要的功能。相反,它將返回 N 個主組件,其中 N 等於原始特徵的數量。
from sklearn.decomposition import PCA
pca = PCA().fit(X_train_scaled)
# 可視化
plt.plot(pca.explained_variance_ratio_.cumsum(), lw=3, color='#087E8B')
plt.title('Cumulative explained variance by number of principal components', size=20)
plt.show()
但這是什麼意思呢?這意味着你可以使用前五個主要組件解釋源數據集中 90%的方差。同樣,如果你不知道這意味着什麼,繼續往下看。
loadings = pd.DataFrame(
data=pca.components_.T * np.sqrt(pca.explained_variance_),
columns=[f'PC{i}' for i in range(1, len(X_train.columns) + 1)],
index=X_train.columns
)
loadings.head()
第一個主要組成部分至關重要。它只是一個要素,但它解釋了數據集中超過 60% 的方差。從上圖中可以看到,它與平均半徑特徵之間的相關係數接近 0.8,這被認爲是強正相關。
讓我們可視化所有輸入要素與第一個主組件之間的相關性。下面是整個代碼段(包括可視化):
pc1_loadings = loadings.sort_values(by='PC1', ascending=False)[['PC1']]
pc1_loadings = pc1_loadings.reset_index()
pc1_loadings.columns = ['Attribute', 'CorrelationWithPC1']
plt.bar(x=pc1_loadings['Attribute'], height=pc1_loadings['CorrelationWithPC1'], color='#087E8B')
plt.title('PCA loading scores (first principal component)', size=20)
plt.xticks(rotation='vertical')
plt.show()
這就是如何"破解"PCA,使用它作爲特徵重要性的方法。
結論
上述總結來 3 個機器學習特徵重要性的方法,這三個可根據場景靈活運用。如果你對機器學習感興趣,可以關注我。
也可以加一下老胡的微信
圍觀朋友圈~~~
推薦閱讀
(點擊標題可跳轉閱讀)
麻省理工學院計算機課程【中文版】
【清華大學王東老師】現代機器學習技術導論.pdf
機器學習中令你事半功倍的pipeline處理機制
機器學習避坑指南:訓練集/測試集分佈一致性檢查
機器學習深度研究:特徵選擇中幾個重要的統計學概念
老鐵,三連支持一下,好嗎?↓↓↓
本文分享自微信公衆號 - 機器學習算法與Python實戰(tjxj666)。
如有侵權,請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。