learn from https://www.kaggle.com/learn/feature-engineering

上一篇：Feature Engineering 特征工程 3. Feature Generation

---

经过各种编码和特征生成后，通常会拥有成百上千个特征。这可能导致两个问题：

• 首先，拥有的特征越多，就越有可能过拟合
• 其次，拥有的特征越多，训练模型和优化超参数所需的时间就越长。使用较少的特征可以加快预测速度，但会降低预测准确率

为了解决这些问题，使用特征选择技术来为模型保留最丰富的特征

1. Univariate Feature Selection 单变量特征选择

最简单，最快的方法是基于单变量统计检验

• 统计label对每个单一特征的依赖程度
• 在scikit-learn特征选择模块中，feature_selection.SelectKBest返回 K 个最佳特征
• 对于分类问题，该模块提供了三种不同的评分功能：${\chi }^2$，ANOVA F-value和mutual information score
• F-value测量特征变量和目标之间的线性相关性。这意味着如果是非线性关系，得分可能会低估特征与目标之间的关系
• mutual information score是非参数的，可以捕获非线性关系

from sklearn.feature_selection import SelectKBest, f_classiffeature_cols = baseline_data.columns.drop('outcome')# Keep 5 features 保留5个最好的特征
selector = SelectKBest(f_classif, k=5)# 评价函数， 保留特征数量
X_new = selector.fit_transform(baseline_data[feature_cols],baseline_data['outcome'])# 特征， 标签
X_new

array([[2015.,    5.,    9.,   18., 1409.],[2017.,   13.,   22.,   31.,  957.],[2013.,   13.,   22.,   31.,  739.],...,[2010.,   13.,   22.,   31.,  238.],[2016.,   13.,   22.,   31., 1100.],[2011.,   13.,   22.,   31.,  542.]])

但是，上面犯了严重的错误，特征选择时fit，把所有数据用进去了，会造成数据泄露
我们应该只用训练集来进行fit，选择特征

feature_cols = baseline_data.columns.drop('outcome')
train, valid, _ = get_data_splits(baseline_data)# Keep 5 features
selector = SelectKBest(f_classif, k=5)X_new = selector.fit_transform(train[feature_cols], train['outcome'])#  区别，仅用 训练集
X_new

array([[2.015e+03, 5.000e+00, 9.000e+00, 1.800e+01, 1.409e+03],[2.017e+03, 1.300e+01, 2.200e+01, 3.100e+01, 9.570e+02],[2.013e+03, 1.300e+01, 2.200e+01, 3.100e+01, 7.390e+02],...,[2.011e+03, 1.300e+01, 2.200e+01, 3.100e+01, 5.150e+02],[2.015e+03, 1.000e+00, 3.000e+00, 2.000e+00, 1.306e+03],[2.013e+03, 1.300e+01, 2.200e+01, 3.100e+01, 1.084e+03]])

• 可以看见，两种情况下，选择了不同的特征
• 现在，我们需要把得到的特征数值，转换回去，并丢弃其他未选择的特征

# Get back the features we've kept, zero out all other features
selected_features = pd.DataFrame(selector.inverse_transform(X_new), index=train.index, columns=feature_cols)
selected_features.head()

	goal	hour	day	month	year	category	currency	country	category_currency	category_country	currency_country	count_7_days	time_since_last_project
0	0.0	0.0	0.0	0.0	2015.0	0.0	5.0	9.0	0.0	0.0	18.0	1409.0	0.0
1	0.0	0.0	0.0	0.0	2017.0	0.0	13.0	22.0	0.0	0.0	31.0	957.0	0.0
2	0.0	0.0	0.0	0.0	2013.0	0.0	13.0	22.0	0.0	0.0	31.0	739.0	0.0
3	0.0	0.0	0.0	0.0	2012.0	0.0	13.0	22.0	0.0	0.0	31.0	907.0	0.0
4	0.0	0.0	0.0	0.0	2015.0	0.0	13.0	22.0	0.0	0.0	31.0	1429.0	0.0

• 我们发现逆转换回去后，未被选择的特征都是0.0，需要丢弃它们

# Dropped columns have values of all 0s, so var is 0, drop them
# 保留方差不为0的
selected_columns = selected_features.columns[selected_features.var() != 0]# Get the valid dataset with the selected features.
valid[selected_columns].head()

	year	currency	country	currency_country	count_7_days
302896	2015	13	22	31	1534.0
302897	2013	13	22	31	625.0
302898	2014	5	9	18	851.0
302899	2014	13	22	31	1973.0
302900	2014	5	9	18	2163.0

2. L1 regularization L1正则

单变量方法在做出选择决定时一次只考虑一个特征

相反，我们可以通过将所有特征包括在具有L1正则化的线性模型中来使用所有特征进行特征筛选

与惩罚系数平方的 L2（Ridge）回归相比，这种类型的正则化（有时称为Lasso）会惩罚系数的绝对大小

随着L1正则化强度的提高，对于预测目标而言次要的特征将设置为0

对于回归问题，可以使用sklearn.linear_model.Lasso
分类问题，可以使用sklearn.linear_model.LogisticRegression
这些都可以跟sklearn.feature_selection.SelectFromModel一起使用，来选择非零系数

from sklearn.linear_model import LogisticRegression
from sklearn.feature_selection import SelectFromModeltrain, valid, _ = get_data_splits(baseline_data)X, y = train[train.columns.drop("outcome")], train['outcome']# Set the regularization parameter C=1
logistic = LogisticRegression(C=1, penalty="l1", random_state=7).fit(X, y)
model = SelectFromModel(logistic, prefit=True)X_new = model.transform(X)
X_new

array([[1.000e+03, 1.200e+01, 1.100e+01, ..., 1.900e+03, 1.800e+01,1.409e+03],[3.000e+04, 4.000e+00, 2.000e+00, ..., 1.630e+03, 3.100e+01,9.570e+02],[4.500e+04, 0.000e+00, 1.200e+01, ..., 1.630e+03, 3.100e+01,7.390e+02],...,[2.500e+03, 0.000e+00, 3.000e+00, ..., 1.830e+03, 3.100e+01,5.150e+02],[2.600e+03, 2.100e+01, 2.300e+01, ..., 1.036e+03, 2.000e+00,1.306e+03],[2.000e+04, 1.600e+01, 4.000e+00, ..., 9.200e+02, 3.100e+01,1.084e+03]])

类似于单变量测试，返回具有选定特征的数组。我们要将它们转换为DataFrame，以便获得选定的特征列

# Get back the kept features as a DataFrame with dropped columns as all 0s
selected_features = pd.DataFrame(model.inverse_transform(X_new), index=X.index,columns=X.columns)# Dropped columns have values of all 0s, keep other columns 
selected_columns = selected_features.columns[selected_features.var() != 0]

• 通常，使用L1正则化进行特征选择比单变量测试更强大
• 但是在具有大量数据和大量特征的情况下，L1正则化的特征选择速度也会很慢
• 在大型数据集上，单变量测试将更快，但预测性能可能会更差

---

完成课程和练习，获得证书一张，继续加油！🚀🚀🚀

---

上一篇：Feature Engineering 特征工程 3. Feature Generation