特征工程:特征提取和降维-上

一、前言

前面介绍的特征选择方法获得的特征，是从原始数据中抽取出来的，并没有对数据进行变换。而特征提取和降维，则是对原始数据的特征进行相应的数据变换，并且通常会选择比原始特征数量少的特征，同时达到数据降维的目的。常用的数据特征提取和降维的方法有主成分分析,核成分分析，流行学习，t-SNE,多维尺度分析等方法。

二、正文

from sklearn.decomposition import PCA,KernelPCA
from sklearn.manifold import Isomap,MDS,TSNE
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_wine
wine_x,wine_y=load_wine(return_X_y=True)
wine_x=StandardScaler().fit_transform(wine_x)

在介绍特征提取和降维的方法之前，我们先导包读取相应的数据。通过标准化进行数据特征变换的处理。

Ⅰ.主成分分析

pca=PCA(n_components=13,random_state=123)
pca.fit(wine_x)
exvar=pca.explained_variance_
plt.figure(figsize=(10,6))
plt.plot(exvar,'r-o')
plt.hlines(y=1,xmin=0,xmax=12)
plt.xlabel('number')
plt.ylabel('PCA')
plt.show()

主成分分析法（Principal Component Analysis,PCA）是采用一种数学降维的方法，在损失很少信息的前提下，找出几个综合变量为主成分，来代替原来众多的变量，使这些主成分尽可能地代表原始数据的信息，其中每个主成分都是原始变量的线性组合，而且各个主成分之间不相关（即线性无关）。通过主成分分析，我们可以从事物错综复杂的关系中找到一些主要成分（通常选择累积贡献率≥85%的前m个主成分），从而能够有效利用大量统计信息进行定性分析，揭示变量之间的内在关系，得要一些事物特征及其发展规律的深层次信息和启发，推动研究进一步深入。通常使用主成分个数远小于原始特征个数，使用起到特征提取和降维的目的。

从结果分析，使用数据的前三个主成分即可对其进行良好的数据建模。

pca_wine_x=pca.transform(wine_x)[:,0:3]
print(pca_wine_x.shape)
#输出结果
（178，3）

如上我们可以知道，前三个主成分可对其数据建模，于是我们pca进行数据变换之后对其进行切片，前三列的数据。

colors=['red','blue','green']
shape=['o','s','*']
fig=plt.figure(figsize=(10,6))
ax1=fig.add_subplot(111,projection='3d')
for ii,y in enumerate(wine_y):ax1.scatter(pca_wine_x[ii,0],pca_wine_x[ii,1],pca_wine_x[ii,2],s=40,c=colors[y],marker=shape[y])ax1.set_xlabel('pca1',rotation=20)
ax1.set_ylabel('pca2',rotation=20)
ax1.set_zlabel('pca3',rotation=20)
ax1.azim=225
ax1.set_title('pca')
plt.show()

先将三种成分分别的颜色和标记封装在列表当中，然后设置窗口， 111是设置位置即第一行第一列的第一个格子，则会也就意味着这里只有一个图，projection（映射）参数设置为3d，然后将前三个主成分通过循环在三维空间画出其数据分布。

这样我们就能区分出三个主成分的数据分布情况，即不同类别的分布情况。

Ⅱ.核主成分分析

PCA是线性的数据降维技术，而核主成分分析则是针对非线性的数据表示，对其进行特征提取并数据降维。

kpca=KernelPCA(n_components=13,kernel='rbf',gamma=0.2,random_state=123)
kpca.fit(wine_x)
eigenvalues=kpca.eigenvalues_
plt.figure(figsize=(10,6))
plt.plot(eigenvalues,'r-o')
plt.hlines(y=4,xmin=0,xmax=12)
plt.xlabel('number')
plt.ylabel('KernelPCA')
plt.show()

方法与主成分分析大差不大，但是这里注意一个KernelPCA类中的一个属性：

eigenvalues_：Eigenvalues of the centered kernel matrix in decreasing order. If n_components and remove_zero_eig are not set, then all values are stored.

翻译过来就是:中心核向量的特征值按照降序排序，如果未设置n_components和remove_zero_eig，则存储所有值。

原本这个属性叫做lambdas_，但是被更改为eigenvalues_（特征值）。

同样针对前三个核主成分，可以在三维空间将数据分布进行可视化。

kpca_wine_x=kpca.transform(wine_x)[:,0:3]
print(kpca_wine_x.shape)
colors=['red','blue','green']
shape=['o','s','*']
fig=plt.figure(figsize=(10,6))
ax1=fig.add_subplot(111,projection='3d')
for ii,y in enumerate(wine_y):ax1.scatter(kpca_wine_x[ii,0],kpca_wine_x[ii,1],kpca_wine_x[ii,2],s=40,c=colors[y],marker=shape[y])ax1.set_xlabel('kpca1',rotation=20)
ax1.set_ylabel('kpca2',rotation=20)
ax1.set_zlabel('kpca3',rotation=20)
ax1.azim=225
ax1.set_title('kpca')
plt.show()

做法跟主成分大差不差，利用散点在空间中的分布来发现其中的数据分布情况。