(給資料分析與開發加星標,提升資料技能)
英文:Sugandha Lahoti,轉自:資料派(ID:datapi),翻譯:李潔
註:本文節選自Ankit Dixit所著的《整合機器學習》(Ensemble Machine Learning)一書。這本書組合強大的機器學習演演算法來建立最佳化模型,可以作為初學者的指南。
在本文中,我們將研究從資料集中選擇特徵的不同方法;同時透過使用Python中Scikit-learn (sklearn)庫實現討論了特徵選擇演演算法的型別:
- 單變數選擇
- 遞迴特徵消除(RFE)
- 主成分分析(PCA)
- 選擇重要特徵(特徵重要度)
我們簡要介紹了前三種演演算法及其實現。然後我們將詳細討論在資料科學社群中廣泛使用的選擇重要特徵(特性重要度)部分的內容。
單變數選擇
統計測試可用於選擇那些與輸出變數關係最強的特徵。
scikit-learn庫提供了SelectKBest類,它可以與一組不同的統計測試一起使用,以選擇特定數量的特徵。
下麵的例子使用chi²非負性特徵的統計測試,從皮馬印第安人糖尿病發病資料集中選擇了四個最好的特徵:
#Feature Extraction with Univariate Statistical Tests (Chi-squared for classification)
#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearn's feature selection algorithm
from sklearn.feature_selection import SelectKBest
#Import chi2 for performing chi square test from sklearn.feature_selection import chi2
#URL for loading the dataset
url ="https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"
#Define the attribute names
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
#Create pandas data frame by loading the data from URL
dataframe = pandas.read_csv(url, names=names)
#Create array from data values
array = dataframe.values
#Split the data into input and target
X = array[:,0:8]
Y = array[:,8]
#We will select the features using chi square
test = SelectKBest(score_func=chi2, k=4)
#Fit the function for ranking the features by score
fit = test.fit(X, Y)
#Summarize scores numpy.set_printoptions(precision=3) print(fit.scores_)
#Apply the transformation on to dataset
features = fit.transform(X)
#Summarize selected features print(features[0:5,:])
你可以看到每個引數的得分,以及所選擇的四個引數(得分最高的):plas、test、mass和age。
每個特徵的分數為:
[111.52 1411.887 17.605 53.108 2175.565 127.669 5.393
181.304]
被選出的特徵是:
[[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. ]]
遞迴特徵消除(RFE)
RFE的工作方式是遞迴地刪除引數併在保留的引數上構建模型。它使用模型精度來判斷哪些屬性(以及屬性的組合)對預測標的引數貢獻最大。你可以在scikit-learn的檔案中瞭解更多關於RFE類的資訊。
下麵的示例使用RFE和logistic回歸演演算法來選出前三個特徵。演演算法的選擇並不重要,只需要熟練並且一致:
#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearn's feature selection algorithm from sklearn.feature_selection import RFE
#Import LogisticRegression for performing chi square test from sklearn.linear_model import LogisticRegression
#URL for loading the dataset
url =
"https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-dia betes/pima-indians-diabetes.data"
#Define the attribute names
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
#Create pandas data frame by loading the data from URL
dataframe = pandas.read_csv(url, names=names)
#Create array from data values
array = dataframe.values
#Split the data into input and target
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_)
執行完上述程式碼後,我們可以得到:
Num Features: 3
Selected Features: [ True False False False False True True False]
Feature Ranking: [1 2 3 5 6 1 1 4]
你可以看到RFE選擇了前三個特性,即preg、mass和pedi。這些在support_陣列中被標記為True,在ranking_陣列中被標記為首選(標記為1)。
主成分分析
PCA使用線性代數將資料集轉換為壓縮格式。通常,它被認為是一種資料約簡技術。PCA的一個屬性是,你可以選擇轉換結果中的維數或主成分的數量。
在接下來的例子中,我們使用PCA並選擇了三個主成分:
#Import the required packages
#Import pandas to read csv import pandas
#Import numpy for array related operations import numpy
#Import sklearn's PCA algorithm
from sklearn.decomposition import PCA
#URL for loading the dataset
url =
"https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians diabetes/pima-indians-diabetes.data"
#Define the attribute names
names = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
dataframe = pandas.read_csv(url, names=names)
#Create array from data values
array = dataframe.values
#Split the data into input and target
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_)
你可以看到,轉換後的資料集(三個主成分)與源資料幾乎沒有相似之處:
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]]
選擇重要特徵(特性重要度)
特徵重要度是一種利用訓練好的有監督分類器來選擇特徵的技術。當我們訓練分類器(如決策樹)時,我們計算每個引數以建立分割;我們可以使用這個度量作為特徵選擇器。讓我們來詳細瞭解一下。
隨機森林由於其相對較好的準確性、魯棒性和易用性而成為最受歡迎的機器學習方法之一。它們還提供了兩種簡單易行的特徵選擇方法——均值降低雜質和均值降低準確度。
隨機森林由許多決策樹組成。決策樹中的每個節點都是一個基於單個特徵的條件,其設計目的是將資料集分割成兩個,以便相似的響應值最終出現在相同的集合中。選擇(區域性)最優條件的度量叫做雜質。對於分類問題,它通常是基尼雜質或資訊增益/熵,而對於回歸樹,它是方差。因此,當訓練一棵樹時,可以透過每個特徵減少的樹中加權雜質的多少來計算。對於森林,可以對每個特徵的雜質減少量進行平均,並根據該方法對特徵進行排序。
讓我們看一下如何使用隨機森林分類器來進行特徵選擇,並評估特徵選擇前後分類器的準確性。我們將使用Otto資料集。該資料集可從kaggle免費獲得(你需要註冊kaggle才能下載該資料集)。你可以從https://www.kaggle.com/c/otto-group-product- classifics-challenge/data下載訓練集train.csv.zip,然後將解壓縮的train.csv檔案放在你的工作目錄中。
這個資料集描述了超過61,000個產品的93個模糊細節,這些產品被分成10個產品類別(例如,時尚類、電子產品類等)。輸入引數是某種型別的不同事件的計數。
訓練標的是對新產品作為10個類別中每一個類別的機率陣列做出預測,並使用多級對數損失(也稱為交叉熵)對模型進行評估。
我們將從匯入所有庫開始:
#Import the supporting libraries
#Import pandas to load the dataset from csv file
from pandas import read_csv
#Import numpy for array based operations and calculations
import numpy as np
#Import Random Forest classifier class from sklearn
from sklearn.ensemble import RandomForestClassifier
#Import feature selector class select model of sklearn
from sklearn.feature_selection
import SelectFromModel
np.random.seed(1)
定義一個方法用於將我們的資料集分為訓練資料和測試資料;我們將在訓練資料部分對資料集進行訓練,測試資料部分將用於訓練模型的評估:
#Function to create Train and Test set from the original dataset def getTrainTestData(dataset,split):
np.random.seed(0) training = [] testing = []
np.random.shuffle(dataset) shape = np.shape(dataset)
trainlength = np.uint16(np.floor(split*shape[0]))
for i in range(trainlength): training.append(dataset[i])
for i in range(trainlength,shape[0]): testing.append(dataset[i])
training = np.array(training) testing = np.array(testing)
return training,testing
還需要新增一個函式來評估模型的準確性;以預測輸出和實際輸出為輸入,計算準確率百分比:
#Function to evaluate model performance
def getAccuracy(pre,ytest): count = 0
for i in range(len(ytest)):
if ytest[i]==pre[i]: count+=1
acc = float(count)/len(ytest)
return acc
現在要匯入資料集。我們將匯入train.csv檔案;該檔案包含61,000多個訓練實體。我們的示例將使用50000個實體,其中使用35,000個實體來訓練分類器,並使用15,000個實體來測試分類器的效能:
#Load dataset as pandas data frame
data = read_csv('train.csv')
#Extract attribute names from the data frame
feat = data.keys()
feat_labels = feat.get_values()
#Extract data values from the data frame
dataset = data.values
#Shuffle the dataset
np.random.shuffle(dataset)
#We will select 50000 instances to train the classifier
inst = 50000
#Extract 50000 instances from the dataset
dataset = dataset[0:inst,:]
#Create Training and Testing data for performance evaluation
train,test = getTrainTestData(dataset, 0.7)
#Split data into input and output variable with selected features
Xtrain = train[:,0:94] ytrain = train[:,94] shape = np.shape(Xtrain)
print("Shape of the dataset ",shape)
#Print the size of Data in MBs
print("Size of Data set before feature selection: %.2f MB"%(Xtrain.nbytes/1e6))
註意下這裡的資料大小;由於我們的資料集包含約35000個訓練實體,帶有94個引數;我們的資料集非常大。讓我們來看一下:
Shape of the dataset (35000, 94)
Size of Data set before feature selection: 26.32 MB
如你所見,我們的資料集中有35000行和94列,資料大小超過26MB。
在下一個程式碼塊中,我們將配置我們的隨機森林分類器;我們會使用250棵樹,最大深度為30,隨機特徵的數量為7。其他超引數將是sklearn的預設值:
#Lets select the test data for model evaluation purpose
Xtest = test[:,0:94] ytest = test[:,94]
#Create a random forest classifier with the following Parameters
trees = 250
max_feat = 7
max_depth = 30
min_sample = 2
clf = RandomForestClassifier(n_estimators=trees,
max_features=max_feat,
max_depth=max_depth,
min_samples_split= min_sample, random_state=0,
n_jobs=-1)
#Train the classifier and calculate the training time
import time
start = time.time() clf.fit(Xtrain, ytrain) end = time.time()
#Lets Note down the model training time
print("Execution time for building the Tree is: %f"%(float(end)- float(start)))
pre = clf.predict(Xtest)
Let's see how much time is required to train the model on the training dataset:
Execution time for building the Tree is: 2.913641
#Evaluate the model performance for the test data
acc = getAccuracy(pre, ytest)
print("Accuracy of model before feature selection is %.2f"%(100*acc))
模型的精確度是:
Accuracy of model before feature selection is 98.82
正如所看到的,我們獲得了非常好的精確度,因為我們將幾乎99%的測試資料分類為正確的類別。這意味著我們在15,000個實體中對大概14,823個實體進行了正確的分類。
所以,現在問題是:我們應該進一步改進嗎?好吧,為什麼不呢?如果可能的話,我們一定需要進行更多的改進;在這裡,我們將使用特徵重要度來選擇特徵。如你所知,在樹的建造過程中,我們使用雜質度量來選擇節點。選擇雜質最少的引數值作為樹中的節點。我們可以使用類似的標準來選擇特徵。我們可以給雜質更少的特徵更多的重要度,這可以使用sklearn庫的feature_importances_函式來實現。讓我們來看一下每個特徵的重要度:
print(feature)
('id', 0.33346650420175183)
('feat_1', 0.0036186958628801214)
('feat_2', 0.0037243050888530957)
('feat_3', 0.011579217472062748)
('feat_4', 0.010297382675187445)
('feat_5', 0.0010359139416194116)
('feat_6', 0.00038171336038056165)
('feat_7', 0.0024867672489765021)
('feat_8', 0.0096689721610546085)
('feat_9', 0.007906150362995093)
('feat_10', 0.0022342480802130366)
正如你看到的,每個特徵都有不同的重要度,這取決於它對最終預測的貢獻值。
我們將使用這些重要度評分來對我們的特徵進行排序;在接下來的部分中,我們將選取特徵重要度大於0.01的特徵進行模型訓練:
#Select features which have higher contribution in the final prediction
sfm = SelectFromModel(clf, threshold=0.01) sfm.fit(Xtrain,ytrain)
這裡,我們將根據所選的特徵引數轉換輸入的資料集。在下一個程式碼塊中,我們會轉換資料集。然後,我們將檢查新資料集的大小和形狀:
#Transform input dataset
Xtrain_1 = sfm.transform(Xtrain) Xtest_1 = sfm.transform(Xtest)
#Let's see the size and shape of new dataset print("Size of Data set before feature selection: %.2f MB"%(Xtrain_1.nbytes/1e6))
shape = np.shape(Xtrain_1)
print("Shape of the dataset ",shape)
Size of Data set before feature selection: 5.60 MB Shape of the dataset (35000, 20)
看到資料集的形狀了嗎?經過特徵選擇後,我們只剩下20個特徵,這使得資料庫的大小從26MB減少到了5.60 MB,比原來的資料集減少了80%左右。
在下一個程式碼塊中,我們將使用與前面相同的超引數訓練一個新的隨機森林分類器,併在測試集上進行了測試。我們來看看修改訓練集後得到的精確度是多少:
#Model training time
start = time.time() clf.fit(Xtrain_1, ytrain) end = time.time()
print("Execution time for building the Tree is: %f"%(float(end)- float(start)))
#Let's evaluate the model on test data
pre = clf.predict(Xtest_1) count = 0
acc2 = getAccuracy(pre, ytest)
print("Accuracy after feature selection %.2f"%(100*acc2))
Execution time for building the Tree is: 1.711518 Accuracy after feature selection 99.97
看到了嗎!使用修改後的資料集,我們獲得了99.97%的準確率,這意味著我們把14,996個實體分到了正確的類別,而之前我們只正確地分類了14,823個實體。
這是我們在特徵選擇過程中取得的巨大進步;我們可以將所有的結果總結如下表:
評估標準 | 特徵選擇前 | 特徵選擇後 |
特徵數量 | 94 | 20 |
資料集大小 | 26.32MB | 5.60MB |
訓練時間 | 2.91 s | 1.71 s |
精確度 | 98.82% | 99.97% |
上表顯示了特徵選擇的實際優勢。可以看到我們顯著地減少了特徵的數量,這減少了模型的複雜性和資料集的維度。在減小維度後,我們需要更少的訓練時間,最終我們剋服了過擬合的問題,獲得了比以前更高的精確度。
本文我們共探討了機器學習中特徵選擇的4種方法。
如果你發現這篇文章很有用,請閱讀《整合機器學習》一書,瞭解關於疊加泛化和其他技術的更多資訊。
朋友會在“發現-看一看”看到你“在看”的內容