三大特征選擇策略，有效提升你的機(jī)器學(xué)習(xí)水準(zhǔn)

轉(zhuǎn)自：機(jī)器之心公眾號

特征選擇是數(shù)據(jù)獲取中最關(guān)鍵的一步，可惜很多教程直接跳過了這一部分。本文將分享有關(guān)特征選擇的 3 個杰出方法，有效提升你的機(jī)器學(xué)習(xí)水準(zhǔn)。

「輸入垃圾數(shù)據(jù)，輸出垃圾結(jié)果」——每個機(jī)器學(xué)習(xí)工程師

什么是特征選擇？面對試圖解決的實際問題之時，什么特征將幫助你建模并不總是很清晰。伴隨這一問題的還有大量數(shù)據(jù)問題，它們有時是多余的，或者不甚相關(guān)。特征選擇是這樣一個研究領(lǐng)域，它試圖通過算法完成重要特征的選取。

為什么不把全部特征直接丟進(jìn)機(jī)器學(xué)習(xí)模型呢？

現(xiàn)實世界的問題并沒有開源數(shù)據(jù)集，其中更沒有與問題相關(guān)的信息。而特征選擇有助于你最大化特征相關(guān)性，同時降低非相關(guān)性，從而增加了構(gòu)建較好模型的可能性，并減小模型的整體大小。

頂級的特征選擇方法

比如說我們要預(yù)測水上公園的票價走勢；為此我們決定查看天氣數(shù)據(jù)、冰淇淋銷量、咖啡銷量以及季節(jié)狀況。

從下表中我們可以看到，夏季的門票明顯比其他季節(jié)好賣，而冬季賣不出一張票。咖啡銷量整年中比較穩(wěn)定，冰淇淋則一年之中都有銷量，但旺季是 6 月。

表 1：文中使用的各項虛構(gòu)數(shù)據(jù)。

圖 1：各項虛構(gòu)數(shù)據(jù)的圖示對比。

我們想要預(yù)測水上公園票價，但很可能不需要所有數(shù)據(jù)以得到最佳結(jié)果。數(shù)據(jù)存在 N 個維度，并且 K 數(shù)值會給出最佳結(jié)果。但是不同大小的子集之間存在大量的結(jié)合。

我們的目標(biāo)是減少維度數(shù)量，同時不損失預(yù)測能力。讓我們退回一步，看看那些我們能使用的工具。

窮舉搜索

這項技術(shù)能 100%?保證找到最好的可能特征以建立模型。我們認(rèn)為它非?？尚校驗樗鼘⑺阉魉锌赡艿奶卣鹘M合并找到返回模型最低點(diǎn)的組合。

在我們的例子中有 15 個可能的特征組合可供搜索。我使用公式?(2^n—1)?計算組合的數(shù)量。這個方法在特征數(shù)量較少的時候可行，但如果你有 3000?個特征就不可行了。

幸運(yùn)的是，還有一個稍微好點(diǎn)的方法可用。

隨機(jī)特征選擇

大多數(shù)情形中，隨機(jī)特征選擇可以工作的很好。如果要將特征數(shù)減少 50%，只需隨機(jī)選擇其中 50%?的特征并刪除。

模型訓(xùn)練完成之后，檢驗?zāi)Ｐ偷男阅?，重?fù)這個過程直到你滿意為止。遺憾的是，這仍然是個蠻力方法。

當(dāng)需要處理一個很大的特征集，又不能削減規(guī)模的時候，該怎么辦？

最小冗余最大關(guān)聯(lián)特征選擇

將所有的想法整合起來就能得出我們的算法，即 mRMR 特征選擇。算法背后的考慮是，同時最小化特征的冗余并最大化特征的關(guān)聯(lián)。因此，我們需要計算冗余和關(guān)聯(lián)的方程：

讓我們用虛構(gòu)的數(shù)據(jù)寫一個快速腳本來實現(xiàn) mRMR：

我并沒有對結(jié)果抱有什么期待，冰淇淋的銷量看起來能很精確地對售票量建模，而氣溫不可以。在這個例子中，似乎只需要一個變量就可以精確地對售票量建模，但在實際的問題中肯定不是這樣的。

mRMR 代碼地址：https://files.fm/u/bshx9hay

結(jié)論

?

你應(yīng)該對這些特征選擇方法有更好的理解，它們能幫助你減少模型特征的總數(shù)量，并保留對目標(biāo)來說最重要的特征。

原文鏈接：https://medium.com/towards-data-science/three-effective-feature-selection-strategies-e1f86f331fb1

《數(shù)據(jù)科學(xué)與人工智能》公眾號推薦朋友們學(xué)習(xí)和使用Python語言，需要加入Python語言群的，請掃碼加我個人微信，備注【姓名-Python群】，我誠邀你入群，大家學(xué)習(xí)和分享。