毫無疑問，解決一個問題最重要的是恰當選取特征、甚至創造特征的能力，這叫做特征選取和特征工程。對於特征選取工作，我個人認為分為兩個方面：
1）利用python中已有的算法進行特征選取。
2）人為分析各個變量特征與目標值之間的關系，包括利用圖表等比較直觀的手段方法，剔除無意義或者說不重要的特征變量，使得模型更加精煉高效。
一、scikit-learn中樹算法
from sklearn import metrics from sklearn.ensemble import ExtraTreesClassifier model = ExtraTreesClassifier() model.fit(X, y) # display the relative importance of each attribute print(model.feature_importances_)
二、RFE搜索算法
另一種算法是基於對特征子集的高效搜索，從而找到最好的子集，意味着演化了的模型在這個子集上有最好的質量。遞歸特征消除算法（RFE）是這些搜索算法的其中之一，Scikit-Learn庫同樣也有提供。
from sklearn.feature_selection import RFE from sklearn.linear_model import LogisticRegression model = LogisticRegression() # create the RFE model and select 3 attributes rfe = RFE(model, 3) rfe = rfe.fit(X, y) # summarize the selection of the attributes print(rfe.support_) print(rfe.ranking_)
三、利用LassoCV進行特征選擇
#!/usr/bin/python import pandas as pd import numpy as np import csv as csv import matplotlib import matplotlib.pyplot as plt from sklearn.linear_model import Ridge, RidgeCV, ElasticNet, LassoCV, LassoLarsCV from sklearn.model_selection import cross_val_score train = pd.read_csv('train.csv', header=0) # Load the train file into a dataframe df = pd.get_dummies(train.iloc[:,1:-1]) df = df.fillna(df.mean()) X_train = df y = train.price def rmse_cv(model): rmse= np.sqrt(-cross_val_score(model, X_train, y, scoring="neg_mean_squared_error", cv = 3)) return(rmse) #調用LassoCV函數，並進行交叉驗證，默認cv=3 model_lasso = LassoCV(alphas = [0.1,1,0.001, 0.0005]).fit(X_train, y) #模型所選擇的最優正則化參數alpha print(model_lasso.alpha_) #各特征列的參數值或者說權重參數，為0代表該特征被模型剔除了 print(model_lasso.coef_) #輸出看模型最終選擇了幾個特征向量，剔除了幾個特征向量 coef = pd.Series(model_lasso.coef_, index = X_train.columns) print("Lasso picked " + str(sum(coef != 0)) + " variables and eliminated the other " + str(sum(coef == 0)) + " variables") #輸出所選擇的最優正則化參數情況下的殘差平均值，因為是3折，所以看平均值 print(rmse_cv(model_lasso).mean()) #畫出特征變量的重要程度，這里面選出前3個重要，后3個不重要的舉例 imp_coef = pd.concat([coef.sort_values().head(3), coef.sort_values().tail(3)]) matplotlib.rcParams['figure.figsize'] = (8.0, 10.0) imp_coef.plot(kind = "barh") plt.title("Coefficients in the Lasso Model") plt.show()
從上述代碼中可以看出，權重為0的特征就是被剔除的特征，從而進行了特征選擇。還可以從圖上直觀看出哪些特征最重要。至於權重為負數的特征，還需要進一步分析研究。
四、利用圖表分析特征以及特征間的關系
1）分析特征值的分布情況，如果有異常最大、最小值，可以進行極值的截斷
plt.figure(figsize=(8,6)) plt.scatter(range(train.shape[0]), np.sort(train.price_doc.values)) plt.xlabel('index', fontsize=12) plt.ylabel('price', fontsize=12) plt.show()
從圖中可以看出，目標值price_doc有一些異常極大值散列出來，個別異常極值會干擾模型的擬合。所以，可以截斷極值。其它各特征列也可以采取該方式進行極值截斷。
#截斷極值，因為極值有時候可以認為是異常數值，會干擾模型的參數 ulimit = np.percentile(train.price_doc.values, 99) llimit = np.percentile(train.price_doc.values, 1) train['price_doc'].ix[train['price_doc']>ulimit] = ulimit train['price_doc'].ix[train['price_doc']<llimit] = llimit
2）分組進行分析
grouped_df = df.groupby('LotFrontage')['MSSubClass'].aggregate(np.mean).reset_index() #根據LotFrontage進行分組聚合，並求出分組聚合后MSSubClass的平均值,reset_index()將分組后的結果轉換成DataFrame形式 plt.figure(figsize=(12,8)) sns.barplot(grouped_df.LotFrontage.values, grouped_df.MSSubClass.values, alpha=0.9, color='red') plt.ylabel('MSSubClass', fontsize=12) plt.xlabel('LotFrontage', fontsize=12) plt.xticks(rotation='vertical') plt.show()
這種可以分析出目標值的一個變化情況，比如房屋價格的話，可以根據年進行分組聚合，展示出每年房屋價格均值的一個變化情況，從而能夠看出時間對房屋價格的一個大致影響。比如，北京房屋價格隨着時間的推進，每年都在上漲，這說明時間是一個很重要的特征變量。
3）統計數據集中各種數據類型出現的次數
#打出df各列數據類型，並利用rest_index()轉成DataFrame形式。一共兩列，1-列名，2-類型 df_type = df.dtypes.reset_index() #將兩列更改列名 df_type.columns = ["Count", "Column Type"] #分組統計各個類型列出現的次數 df_type=df_type.groupby("Column Type").aggregate('count').reset_index()
4）圖的形式展示缺失值情況
#將各列的缺失值情況統計出來，一共2列，1-列名，2-缺失值數量
missing_df = df.isnull().sum(axis=0).reset_index()
#賦予新列名
missing_df.columns = ['column_name', 'missing_count']
#將缺失值數量>0的列篩選出來
missing_df = missing_df.ix[missing_df['missing_count']>0]
#排序
missing_df = missing_df.sort_values(by='missing_count', ascending=True)
#將缺失值以圖形形式展示出來
ind = np.arange(missing_df.shape[0])
width = 0.9
fig, ax = plt.subplots(figsize=(12,18))
rects = ax.barh(ind, missing_df.missing_count.values, color='y')
ax.set_yticks(ind)
ax.set_yticklabels(missing_df.column_name.values, rotation='horizontal')
ax.set_xlabel("Count of missing values")
ax.set_title("Number of missing values in each column")
plt.show()
5）利用聯合分布圖分析各重要特征變量與目標值的影響關系
#先對該特征進行極值截斷
col = "full_sq" ulimit = np.percentile(train_df[col].values, 99.5) llimit = np.percentile(train_df[col].values, 0.5) train_df[col].ix[train_df[col]>ulimit] = ulimit train_df[col].ix[train_df[col]<llimit] = llimit #畫出聯合分布圖 plt.figure(figsize=(12,12)) sns.jointplot(x=np.log1p(train_df.full_sq.values), y=np.log1p(train_df.price_doc.values), size=10) plt.ylabel('Log of Price', fontsize=12) plt.xlabel('Log of Total area in square metre', fontsize=12) plt.show()
pearsonr表示兩個變量的相關性系數。
6）pointplot畫出變量間的關系
grouped_df = train_df.groupby('floor')['price_doc'].aggregate(np.median).reset_index() plt.figure(figsize=(12,8)) sns.pointplot(grouped_df.floor.values, grouped_df.price_doc.values, alpha=0.8, color=color[2]) plt.ylabel('Median Price', fontsize=12) plt.xlabel('Floor number', fontsize=12) plt.xticks(rotation='vertical') plt.show()
從中看出樓層數對價格的一個整體影響。
7）countplot展示出該特征值的數量分布情況
plt.figure(figsize=(12,8)) sns.countplot(x="price", data=df) plt.ylabel('Count', fontsize=12) plt.xlabel('Max floor number', fontsize=12) plt.xticks(rotation='vertical') plt.show()
展示出了每個價格的出現次數。
8）boxplot分析最高樓層對房屋價格的一個影響，尤其看中位價格的走勢，是一個大致的判斷。
plt.figure(figsize=(12,8)) sns.boxplot(x="max_floor", y="price_doc", data=train_df) plt.ylabel('Median Price', fontsize=12) plt.xlabel('Max Floor number', fontsize=12) plt.xticks(rotation='vertical') plt.show()
最高樓層下可以有很多房屋的價格數據，這樣每一個最高樓層數正好對應一組價格數據，可以畫出一個箱式圖來觀察。