隨著深度學(xué)習(xí)的蓬勃發(fā)展，越來越多的小伙伴開始嘗試搭建深層神經(jīng)網(wǎng)絡(luò)應(yīng)用于工作場景中，認為只需要把數(shù)據(jù)放入模型中，調(diào)優(yōu)模型參數(shù)就可以讓模型利用自身機制來選擇重要特征，輸出較好的數(shù)據(jù)結(jié)果。

[[377236]]

在現(xiàn)實工作場景中，受限制數(shù)據(jù)和時間，這樣的做法其實并不可取，一方面大量數(shù)據(jù)輸入將導(dǎo)致模型訓(xùn)練周期增長，另一方面在當(dāng)前細分市場中，并非所有場景都有海量數(shù)據(jù)，尋找海量數(shù)據(jù)中的重要特征迫在眉睫。

本文我將教你三個選擇特征的方法，這是任何想從事數(shù)據(jù)科學(xué)領(lǐng)域的都應(yīng)該知道。本文的結(jié)構(gòu)如下：

• 數(shù)據(jù)集加載和準備
• 方法1:從系數(shù)獲取特征重要性
• 方法2:從樹模型獲取特征重要性
• 方法3:從 PCA 分數(shù)中獲取特征重要性
• 結(jié)論

數(shù)據(jù)集加載和準備

為了方便介紹，我這里使用"load_breast_cancer"數(shù)據(jù)集，該數(shù)據(jù)內(nèi)置于 Scikit-Learn 中。

以下代碼段演示如何導(dǎo)入庫和加載數(shù)據(jù)集：

import numpy as np 
import pandas as pd 
from sklearn.datasets import load_breast_cancer 
import matplotlib.pyplot as plt 
from matplotlib import rcParams 
rcParams['figure.figsize'] = 14, 7 
rcParams['axes.spines.top'] = False 
rcParams['axes.spines.right'] = False 
# Load data 
data = load_breast_cancer() 

調(diào)用以下代碼，輸出結(jié)果。

df = pd.concat([pd.DataFrame(data.data, columns=data.feature_names),pd.DataFrame(data.target, columns=['y'])], axis=1) 
df.head() 

上述數(shù)據(jù)中有 30 個特征變量和一個目標變量。所有值都是數(shù)值，并且沒有缺失的值。在解決縮放問題之前，還需要執(zhí)行訓(xùn)練、測試拆分。

from sklearn.preprocessing import StandardScaler 
from sklearn.model_selection import train_test_split 
X = df.drop('y', axis=1) 
y = df['y'] 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42) 
ss = StandardScaler() 
X_train_scaled = ss.fit_transform(X_train) 
X_test_scaled = ss.transform(X_test) 

方法1:從系數(shù)獲取特征重要性

檢查特征重要性的最簡單方法是檢查模型的系數(shù)。例如，線性回歸和邏輯回歸都歸結(jié)為一個方程，其中將系數(shù)(重要性)分配給每個輸入值。

簡單地說，如果分配的系數(shù)是一個大(負或正)數(shù)字，它會對預(yù)測產(chǎn)生一些影響。相反，如果系數(shù)為零，則對預(yù)測沒有任何影響。

邏輯非常簡單，讓我們來測試一下，邏輯回歸是一種合適的算法。擬合模型后，系數(shù)將存儲在屬性中coef_。

from sklearn.linear_model import LogisticRegression 
 
model = LogisticRegression() 
model.fit(X_train_scaled, y_train) 
importances = pd.DataFrame(data={ 
    'Attribute': X_train.columns, 
    'Importance': model.coef_[0] 
}) 
importances = importances.sort_values(by='Importance', ascending=False) 
# 可視化 
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B') 
plt.title('Feature importances obtained from coefficients', size=20) 
plt.xticks(rotation='vertical') 
plt.show() 

下面是相應(yīng)的可視化效果：

該方法最大特點：「簡單」、「高效」。系數(shù)越大(在正方向和負方向)，越影響預(yù)測效果。

方法2:從樹模型獲取重要性

訓(xùn)練任何樹模型后，你都可以訪問 feature_importances 屬性。這是獲取功特征重要性的最快方法之一。

以下代碼演示如何導(dǎo)入模型并在訓(xùn)練數(shù)據(jù)上擬合模型，以及重要性的獲取：

from xgboost import XGBClassifier 
 
model = XGBClassifier() 
model.fit(X_train_scaled, y_train) 
importances = pd.DataFrame(data={ 
    'Attribute': X_train.columns, 
    'Importance': model.feature_importances_ 
}) 
importances = importances.sort_values(by='Importance', ascending=False) 
# 可視化 
plt.bar(x=importances['Attribute'], height=importances['Importance'], color='#087E8B') 
plt.title('Feature importances obtained from coefficients', size=20) 
plt.xticks(rotation='vertical') 
plt.show() 

相應(yīng)的可視化效果如下所示：

方法3:從 PCA 分數(shù)獲取特征重要性

主成分分析(PCA)是一種出色的降維技術(shù)，也可用于確定特征的重要性。

PCA 不會像前兩種技術(shù)那樣直接顯示最重要的功能。相反，它將返回 N 個主組件，其中 N 等于原始特征的數(shù)量。

from sklearn.decomposition import PCA 
pca = PCA().fit(X_train_scaled) 
# 可視化 
plt.plot(pca.explained_variance_ratio_.cumsum(), lw=3, color='#087E8B') 
plt.title('Cumulative explained variance by number of principal components', size=20) 
plt.show() 

但這是什么意思呢?這意味著你可以使用前五個主要組件解釋源數(shù)據(jù)集中 90%的方差。同樣，如果你不知道這意味著什么，繼續(xù)往下看。

loadings = pd.DataFrame( 
    data=pca.components_.T * np.sqrt(pca.explained_variance_),  
    columns=[f'PC{i}' for i in range(1, len(X_train.columns) + 1)], 
    index=X_train.columns 
) 
loadings.head() 

第一個主要組成部分至關(guān)重要。它只是一個要素，但它解釋了數(shù)據(jù)集中超過 60% 的方差。從上圖中可以看到，它與平均半徑特征之間的相關(guān)系數(shù)接近 0.8，這被認為是強正相關(guān)。

讓我們可視化所有輸入要素與第一個主組件之間的相關(guān)性。下面是整個代碼段(包括可視化)：

pc1_loadings = loadings.sort_values(by='PC1', ascending=False)[['PC1']] 
pc1_loadings = pc1_loadings.reset_index() 
pc1_loadings.columns = ['Attribute', 'CorrelationWithPC1'] 
 
plt.bar(x=pc1_loadings['Attribute'], height=pc1_loadings['CorrelationWithPC1'], color='#087E8B') 
plt.title('PCA loading scores (first principal component)', size=20) 
plt.xticks(rotation='vertical') 
plt.show() 

這就是如何"破解"PCA，使用它作為特征重要性的方法。

結(jié)論

上述總結(jié)來 3 個機器學(xué)習(xí)特征重要性的方法，這三個可根據(jù)場景靈活運用。如果你對機器學(xué)習(xí)感興趣，可以關(guān)注我。