手把手教你用sklearn做特征工程

逃离我推掉我的手 2022-05-30 09:44 368阅读 0赞

### 前言 ###

博主最近参加了几个kaggle比赛，发现做特征工程是其中很重要的一部分，而sklearn是做特征工程（做模型调算法）最常用也是最好用的工具没有之一，因此将自己的一些经验做一个总结分享给大家，希望对大家有所帮助

### 目录 ###

#### 1. 什么是特征工程？ ####

#### 2. 数据预处理 ####

#### 3. 特征选择 ####

#### 4. 降维 ####

## 1. 什么是特征工程？ ##

有这么一句话在业界广泛流传，**数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已**。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

特征工程主要分为三部分：  
1. **数据预处理** 对应的sklearn包：[sklearn-Processing data][]  
1. **特征选择** 对应的sklearn包： [sklearn-Feature selection][]  
1. **降维** 对应的sklearn包： [sklearn-Dimensionality reduction][]

本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明导入IRIS数据集的代码如下：

1 from sklearn.datasets import load_iris
     2 
     3 #导入IRIS数据集
     4 iris = load_iris()
     5 
     6 #特征矩阵
     7 iris.data
     8 
     9 #目标向量
    10 iris.target

## 2. 数据预处理 ##

通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题：

*  不属于同一量纲：即特征的规格不一样，不能够放在一起比较。**无量纲化**可以解决这一问题。
 *  信息冗余：对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心“及格”或不“及格”，那么需要将定量的考分，转换成“1”和“0”表示及格和未及格。**二值化**可以解决这一问题。
 *  定性特征不能直接使用：通常使用哑编码的方式将定性特征转换为定量特征，假设有N种定性值，则将这一个特征扩展为N种特征，当原始特征值为第i种定性值时，第i个扩展特征赋值为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线性模型来说，使用**哑编码**后的特征可达到非线性的效果。
 *  存在缺失值：**填充缺失值**。
 *  信息利用率低：不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的**数据变换**，都能达到非线性的效果。

我们使用sklearn中的preproccessing库来进行数据预处理。

### 2.1 无量纲化 ###

无量纲化使不同规格的数据转换到同一规格

#### 2.1.1 标准化（也叫Z-score standardization）（对列向量处理） ####

将服从正态分布的特征值转换成标准正态分布，标准化需要计算特征的均值和标准差，公式表达为：  
  
![927391-20160502113957732-1062097580.png][]  
  
使用preproccessing库的StandardScaler类对数据进行标准化的代码如下：

1 from sklearn.preprocessing import StandardScaler
    2 
    3 #标准化，返回值为标准化后的数据
    4 StandardScaler().fit_transform(iris.data)

#### 2.1.2 区间缩放（对列向量处理） ####

区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：  
  
![927391-20160502113301013-1555489078.png][]  
  
使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下：

1 from sklearn.preprocessing import MinMaxScaler
    2 
    3 #区间缩放，返回值为缩放到[0, 1]区间的数据
    4 MinMaxScaler().fit_transform(iris.data)

#### 在什么时候使用标准化比较好，什么时候区间缩放比较好呢？ ####

1、在后续的分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA、LDA这些需要用到协方差分析进行降维的时候，同时数据分布可以近似为正太分布，标准化方法(Z-score standardization)表现更好。  
2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用区间缩放法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在\[0 255\]的范围。

#### 2.1.3 归一化（对行向量处理） ####

归一化目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：  
  
![927391-20160719002904919-1602367496.png][]  
  
使用preproccessing库的Normalizer类对数据进行归一化的代码如下：

1 from sklearn.preprocessing import Normalizer
    2 
    3 #归一化，返回值为归一化后的数据
    4 Normalizer().fit_transform(iris.data)

### 2.2 对定量特征二值化（对列向量处理） ###

**定性与定量区别**  
  
定性：博主很胖，博主很瘦  
  
定量：博主有80kg，博主有60kg  
  
一般定性都会有相关的描述词，定量的描述都是可以用数字来量化处理  
  
  
定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0，公式表达如下：  
  
![927391-20160502115121216-456946808.png][]  
  
使用preproccessing库的Binarizer类对数据进行二值化的代码如下：

1 from sklearn.preprocessing import Binarizer
    2 
    3 #二值化，阈值设置为3，返回值为二值化后的数据
    4 Binarizer(threshold=3).fit_transform(iris.data)

### 2.3 对定性特征哑编码（对列向量处理） ###

因为有些特征是用文字分类表达的，或者说将这些类转化为数字，但是数字与数字之间是没有大小关系的，纯粹的分类标记，这时候就需要用哑编码对其进行编码。IRIS数据集的特征皆为定量特征，使用其目标值进行哑编码（实际上是不需要的）。使用preproccessing库的OneHotEncoder类对数据进行哑编码的代码如下：

1 from sklearn.preprocessing import OneHotEncoder
    2 
    3 #哑编码，对IRIS数据集的目标值，返回值为哑编码后的数据
    4 OneHotEncoder().fit_transform(iris.target.reshape((-1,1)))

### 2.4 缺失值计算（对列向量处理） ###

由于IRIS数据集没有缺失值，故对数据集新增一个样本，4个特征均赋值为NaN，表示数据缺失。使用preproccessing库的Imputer类对数据进行缺失值计算的代码如下：

1 from numpy import vstack, array, nan
    2 from sklearn.preprocessing import Imputer
    3 
    4 #缺失值计算，返回值为计算缺失值后的数据
    5 #参数missing_value为缺失值的表示形式，默认为NaN
    6 #参数strategy为缺失值填充方式，默认为mean（均值）
    7 Imputer().fit_transform(vstack((array([nan, nan, nan, nan]), iris.data)))

### 2.5 数据变换 ###

#### 2.5.1 多项式变换（对行向量处理） ####

常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。4个特征，度为2的多项式转换公式如下：  
  
![927391-20160502134944451-270339895.png][]  
  
使用preproccessing库的PolynomialFeatures类对数据进行多项式转换的代码如下：

1 from sklearn.preprocessing import PolynomialFeatures
    2 
    3 #多项式转换
    4 #参数degree为度，默认值为2
    5 PolynomialFeatures().fit_transform(iris.data)

#### 2.5.1 自定义变换 ####

基于单变元函数的数据变换可以使用一个统一的方式完成，使用preproccessing库的FunctionTransformer对数据进行对数函数转换的代码如下：

1 from numpy import log1p
    2 from sklearn.preprocessing import FunctionTransformer
    3 
    4 #自定义转换函数为对数函数的数据变换
    5 #第一个参数是单变元函数
    6 FunctionTransformer(log1p).fit_transform(iris.data)

### 总结 ###

<table> 
 <thead> 
  <tr> 
   <th>类</th> 
   <th align="center">功能</th> 
   <th align="right">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>StandardScaler</td> 
   <td align="center">无量纲化</td> 
   <td align="right">标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布</td> 
  </tr> 
  <tr> 
   <td>MinMaxScaler</td> 
   <td align="center">无量纲化</td> 
   <td align="right">区间缩放，基于最大最小值，将特征值转换到[0, 1]区间上</td> 
  </tr> 
  <tr> 
   <td>Normalizer</td> 
   <td align="center">归一化</td> 
   <td align="right">基于特征矩阵的行，将样本向量转换为“单位向量”</td> 
  </tr> 
  <tr> 
   <td>Binarizer</td> 
   <td align="center">二值化</td> 
   <td align="right">基于给定阈值，将定量特征按阈值划分</td> 
  </tr> 
  <tr> 
   <td>OneHotEncoder</td> 
   <td align="center">哑编码</td> 
   <td align="right">将定性数据编码为定量数据</td> 
  </tr> 
  <tr> 
   <td>Imputer</td> 
   <td align="center">缺失值计算</td> 
   <td align="right">计算缺失值，缺失值可填充为均值等</td> 
  </tr> 
  <tr> 
   <td>PolynomialFeatures</td> 
   <td align="center">多项式数据转换</td> 
   <td align="right">多项式数据转换</td> 
  </tr> 
  <tr> 
   <td>FunctionTransformer</td> 
   <td align="center">自定义单元数据转换</td> 
   <td align="right">使用单变元的函数来转换数据</td> 
  </tr> 
 </tbody> 
</table>

## 3. 特征选择 ##

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

*  特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。
 *  特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。

根据特征选择的形式又可以将特征选择方法分为3种：

*  **Filter：过滤法**，不用考虑后续学习器，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。
 *  **Wrapper：包装法**，需考虑后续学习器，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。
 *  **Embedded：嵌入法**，是Filter与Wrapper方法的结合。先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。

我们使用sklearn中的feature\_selection库来进行特征选择。

### 3.1 Filter ###

#### 3.1.1 方差选择法 ####

使用方差选择法，先要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。使用feature\_selection库的VarianceThreshold类来选择特征的代码如下：

1 from sklearn.feature_selection import VarianceThreshold
    2 
    3 #方差选择法，返回值为特征选择后的数据
    4 #参数threshold为方差的阈值
    5 VarianceThreshold(threshold=3).fit_transform(iris.data)

#### 3.1.2 卡方检验 ####

检验特征对标签的相关性，选择其中K个与标签最相关的特征。使用feature\_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：

1 from sklearn.feature_selection import SelectKBest
    2 from sklearn.feature_selection import chi2
    3 
    4 #选择K个最好的特征，返回选择特征后的数据
    5 SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)

### 3.2 Wrapper ###

#### 3.2.1 递归特征消除法 ####

递归消除特征法使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。使用feature\_selection库的RFE类来选择特征的代码如下：

1 from sklearn.feature_selection import RFE
    2 from sklearn.linear_model import LogisticRegression
    3 
    4 #递归特征消除法，返回特征选择后的数据
    5 #参数estimator为基模型
    6 #参数n_features_to_select为选择的特征个数
    7 RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)

### 3.3 Embedded ###

#### 3.3.1 基于惩罚项的特征选择法 ####

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。使用feature\_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型，来选择特征的代码如下：

1 from sklearn.feature_selection import SelectFromModel
    2 from sklearn.linear_model import LogisticRegression
    3 
    4 #带L1惩罚项的逻辑回归作为基模型的特征选择
    5 SelectFromModel(LogisticRegression(penalty="l1", C=0.1)).fit_transform(iris.data, iris.target)

#### 3.3.2 基于树模型的特征选择法 ####

树模型中GBDT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，来选择特征的代码如下：

1 from sklearn.feature_selection import SelectFromModel
    2 from sklearn.ensemble import GradientBoostingClassifier
    3 
    4 #GBDT作为基模型的特征选择
    5 SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)

### 总结 ###

<table> 
 <thead> 
  <tr> 
   <th>类</th> 
   <th align="center">所属方式</th> 
   <th align="right">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>VarianceThreshold</td> 
   <td align="center">Filter</td> 
   <td align="right">方差选择法</td> 
  </tr> 
  <tr> 
   <td>SelectKBest</td> 
   <td align="center">Filter</td> 
   <td align="right">可选关联系数、卡方校验、最大信息系数作为得分计算的方法</td> 
  </tr> 
  <tr> 
   <td>RFE</td> 
   <td align="center">Wrapper</td> 
   <td align="right">递归地训练基模型，将权值系数较小的特征从特征集合中消除</td> 
  </tr> 
  <tr> 
   <td>SelectFromModel</td> 
   <td align="center">Embedded</td> 
   <td align="right">训练基模型，选择权值系数较高的特征</td> 
  </tr> 
 </tbody> 
</table>

## 4. 降维 ##

当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外，另外还有主成分分析法（PCA）和线性判别分析（LDA），线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：**PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能**。所以说PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。

### 4.1 主成分分析法（PCA） ###

使用decomposition库的PCA类选择特征的代码如下：

1 from sklearn.decomposition import PCA
    2 
    3 #主成分分析法，返回降维后的数据
    4 #参数n_components为主成分数目
    5 PCA(n_components=2).fit_transform(iris.data)

### 4.2 线性判别分析法（LDA） ###

使用LDA进行降维的代码如下：

1 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
    2 
    3 #线性判别分析法，返回降维后的数据
    4 #参数n_components为降维后的维数
    5 LDA(n_components=2).fit_transform(iris.data, iris.target)

### 总结 ###

<table> 
 <thead> 
  <tr> 
   <th>库</th> 
   <th align="center">类</th> 
   <th align="right">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>decomposition</td> 
   <td align="center">PCA</td> 
   <td align="right">主成分分析法</td> 
  </tr> 
  <tr> 
   <td>lda</td> 
   <td align="center">LDA</td> 
   <td align="right">线性判别分析法</td> 
  </tr> 
 </tbody> 
</table>

以上代码都已在[github][]上实现

[sklearn-Processing data]: http://scikit-learn.org/stable/modules/preprocessing.html#non-linear-transformation
[sklearn-Feature selection]: http://scikit-learn.org/stable/modules/feature_selection.html
[sklearn-Dimensionality reduction]: http://scikit-learn.org/stable/modules/decomposition.html#decompositions
[927391-20160502113957732-1062097580.png]: /images/20220530/7cb2f9923c9b4572a0697cbf6a69d630.png
[927391-20160502113301013-1555489078.png]: /images/20220530/1dcf79d7d1f54bdeb1df98ca94db7516.png
[927391-20160719002904919-1602367496.png]: /images/20220530/f126410f768a488097e94b8c92561550.png
[927391-20160502115121216-456946808.png]: /images/20220530/50e95a97f215499183643ddcb1f32c2e.png
[927391-20160502134944451-270339895.png]: /images/20220530/25c92b5f36a34918b4b6da3b07f36a33.png
[github]: https://github.com/fuqiuai/kaggle-feature-engineering/blob/master/feature_engineering.py