作者 | Jason Brownlee编译 | CDA数据分析师
特征选择是在开发预测模型时减少输入变量数量的过程。
希望减少输入变量的数量,以减少建模的计算成本,并且在某些情况下,还需要改善模型的性能。
基于特征的特征选择方法包括使用统计信息评估每个输入变量和目标变量之间的关系,并选择与目标变量关系最密切的那些输入变量。尽管统计方法的选择取决于输入和输出变量的数据类型,但是这些方法可以快速有效。
这样,当执行基于过滤器的特征选择时,对于机器学习从业者来说,为数据集选择适当的统计量度可能是具有挑战性的。
在本文中,您将发现如何为统计数据和分类数据选择统计度量,以进行基于过滤器的特征选择。
阅读这篇文章后,您将知道:
本教程分为三个部分:他们是:
特征选择方法旨在将输入变量的数量减少到被认为对模型最有用的那些变量,以预测目标变量。
一些预测性建模问题包含大量变量,这些变量可能会减慢模型的开发和训练速度,并需要大量的系统内存。此外,当包含与目标变量无关的输入变量时,某些模型的性能可能会降低。
特征选择算法有两种主要类型:包装器方法和过滤器方法。
包装器特征选择方法会创建许多具有不同输入特征子集的模型,并根据性能指标选择那些导致最佳性能模型的特征。这些方法与变量类型无关,尽管它们在计算上可能很昂贵。RFE是包装功能选择方法的一个很好的例子。
包装器方法使用添加和/或删除预测变量的过程来评估多个模型,以找到使模型性能最大化的最佳组合。
—第490页,应用预测建模,2013年。
过滤器特征选择方法使用统计技术来评估每个输入变量和目标变量之间的关系,这些分数将用作选择(过滤)将在模型中使用的那些输入变量的基础。
过滤器方法在预测模型之外评估预测变量的相关性,然后仅对通过某些标准的预测变量进行建模。
—第490页,应用预测建模,2013年。
通常在输入和输出变量之间使用相关类型统计量度作为过滤器特征选择的基础。这样,统计量度的选择高度依赖于可变数据类型。
常见的数据类型包括数字(例如高度)和类别(例如标签),但是每种数据类型都可以进一步细分,例如数字变量的整数和浮点数,类别变量的布尔值,有序数或标称值。
常见的输入变量数据类型:
对变量的数据类型了解得越多,就越容易为基于过滤器的特征选择方法选择适当的统计量度。
在下一部分中,我们将回顾一些统计量度,这些统计量度可用于具有不同输入和输出变量数据类型的基于过滤器的特征选择。
在本节中,我们将考虑两大类变量类型:数字和类别;同样,要考虑的两个主要变量组:输入和输出。
输入变量是作为模型输入提供的变量。在特征选择中,我们希望减小这些变量的大小。输出变量是模型要预测的变量,通常称为响应变量。
响应变量的类型通常指示正在执行的预测建模问题的类型。例如,数字输出变量指示回归预测建模问题,而分类输出变量指示分类预测建模问题。
通常在基于过滤器的特征选择中使用的统计量度是与目标变量一次计算一个输入变量。因此,它们被称为单变量统计量度。这可能意味着在过滤过程中不会考虑输入变量之间的任何交互。
这些技术大多数都是单变量的,这意味着它们独立地评估每个预测变量。在这种情况下,相关预测变量的存在使选择重要但多余的预测变量成为可能。此问题的明显后果是选择了太多的预测变量,结果出现了共线性问题。
—第499页,应用预测建模,2013年。
使用此框架,让我们回顾一些可用于基于过滤器的特征选择的单变量统计量度。
这是带有数字输入变量的回归预测建模问题。
最常见的技术是使用相关系数,例如使用Pearson进行线性相关,或使用基于秩的方法进行非线性相关。
这是带有数字输入变量的分类预测建模问题。
这可能是最常见的分类问题示例,
同样,最常见的技术是基于相关的,尽管在这种情况下,它们必须考虑分类目标。
Kendall确实假定类别变量为序数。
这是带有分类输入变量的回归预测建模问题。
这是回归问题的一个奇怪示例(例如,您不会经常遇到它)。
不过,您可以使用相同的“ 数值输入,分类输出 ”方法(如上所述),但要相反。
这是带有分类输入变量的分类预测建模问题。
分类数据最常见的相关度量是卡方检验。您还可以使用信息论领域的互信息(信息获取)。
实际上,互信息是一种强大的方法,可能对分类数据和数字数据都有用,例如,与数据类型无关。
使用基于过滤器的功能选择时,本节提供了一些其他注意事项。
scikit-learn库提供了大多数有用的统计度量的实现。
例如:
此外,SciPy库提供了更多统计信息的实现,例如Kendall的tau(kendalltau)和Spearman的排名相关性(spearmanr)。
一旦针对具有目标的每个输入变量计算出统计信息,scikit-learn库还将提供许多不同的过滤方法。
两种比较流行的方法包括:
我经常自己使用SelectKBest。
考虑转换变量以访问不同的统计方法。
例如,您可以将分类变量转换为序数(即使不是序数),然后查看是否有任何有趣的结果。
您还可以使数值变量离散(例如,箱);尝试基于分类的度量。
一些统计度量假设变量的属性,例如Pearson假设假定观测值具有高斯概率分布并具有线性关系。您可以转换数据以满足测试的期望,然后不管期望如何都可以尝试测试并比较结果。
没有最佳功能选择方法。
就像没有最佳的输入变量集或最佳的机器学习算法一样。至少不是普遍的。
相反,您必须使用认真的系统实验来发现最适合您的特定问题的方法。
尝试通过不同的统计量度来选择适合不同特征子集的各种不同模型,并找出最适合您的特定问题的模型。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11