回归数据的 Scikit-learn 特征选择

Posted

技术标签:

【中文标题】回归数据的 Scikit-learn 特征选择【英文标题】:Scikit-learn feature selection for regression data 【发布时间】:2013-03-07 05:07:44 【问题描述】:

我正在尝试将使用 Python 模块 scikit-learn 的单变量特征选择方法应用于 svmlight 格式的回归(即连续值响应值)数据集。

我正在使用 scikit-learn 0.11 版。

我尝试了两种方法 - 第一种方法失败了,第二种方法适用于我的玩具数据集,但我相信对于真实数据集来说会给出毫无意义的结果。

我想获得关于合适的单变量特征选择方法的建议,我可以应用它来为回归数据集选择前 N 个特征。我要么想(a)弄清楚如何使 f_regression 函数工作,要么(b)听听其他建议。

上面提到的两种方法:

    我尝试使用 sklearn.feature_selection.f_regression(X,Y)。

此操作失败并显示以下错误消息: “TypeError:copy() 只需要 1 个参数(给定 2 个)”

    我尝试使用 chi2(X,Y)。这“有效”,但我怀疑这是因为我的玩具数据集中的两个响应值 0.1 和 1.8 被视为类标签?据推测,对于真实数据集,这将不会产生有意义的卡方统计量,其中存在大量可能的响应值,并且每个单元格中的数量[具有特定响应值和正在测试的属性的值]将是低的?

请找到我粘贴到此消息末尾的玩具数据集。

下面的代码 sn -p 应该会给出我上面描述的结果。

from sklearn.datasets import load_svmlight_file

X_train_data, Y_train_data = load_svmlight_file(svmlight_format_train_file) #i.e. change this to the name of my toy dataset file

from sklearn.feature_selection import SelectKBest
featureSelector = SelectKBest(score_func="one of the two functions I refer to above",k=2) #sorry, I hope this message is clear
featureSelector.fit(X_train_data,Y_train_data)
print [1+zero_based_index for zero_based_index in list(featureSelector.get_support(indices=True))] #This should print the indices of the top 2 features

提前致谢。

理查德

我设计的 svmlight 文件的内容 - 为清楚起见插入了额外的空行:

1.8 1:1.000000 2:1.000000 4:1.000000 6:1.000000#mA

1.8 1:1.000000 2:1.000000#mB

0.1 5:1.000000#mC

1.8 1:1.000000 2:1.000000#mD

0.1 3:1.000000 4:1.000000#mE

0.1 3:1.000000#mF

1.8 2:1.000000 4:1.000000 5:1.000000 6:1.000000#mG

1.8 2:1.000000#mH

【问题讨论】:

chi2 仅用于分类。要使其在回归设置中工作,您必须对 Y 值进行分类。 谢谢拉尔斯曼。我认为是这种情况,但推测 chi2 可能会在“幕后”在内部对回归 y 值进行 bin 回归。我意识到我当前的 scikit-learn 安装是旧的,所以我会在再次提出问题之前尝试使用最新版本的 f_regression。 【参考方案1】:

正如 larsmans 所说,chi2 不能用于回归数据的特征选择。

更新到 scikit-learn 0.13 版后,以下代码为上述玩具数据集选择了前两个特征(根据 f_regression 测试)。

def f_regression(X,Y):
   import sklearn
   return sklearn.feature_selection.f_regression(X,Y,center=False) #center=True (the default) would not work ("ValueError: center=True only allowed for dense data") but should presumably work in general

from sklearn.datasets import load_svmlight_file

X_train_data, Y_train_data = load_svmlight_file(svmlight_format_train_file) #i.e. change this to  the name of my toy dataset file

from sklearn.feature_selection import SelectKBest
featureSelector = SelectKBest(score_func=f_regression,k=2)
featureSelector.fit(X_train_data,Y_train_data)
print [1+zero_based_index for zero_based_index in list(featureSelector.get_support(indices=True))]

【讨论】:

【参考方案2】:

您也可以尝试通过 L1/Lasso 正则化进行特征选择。专门为此设计的类是RandomizedLasso,它将在数据的多个子样本上训练 LassoRegression,并选择这些模型最常选择的特征。您也可以只使用LassoLassoLarsSGDClassifier 来做同样的事情,而无需重新采样,但速度更快。

【讨论】:

以上是关于回归数据的 Scikit-learn 特征选择的主要内容,如果未能解决你的问题,请参考以下文章

有没有办法使用带有 scikit-learn 的非线性模型的递归特征选择?

scikit-learn 中的逻辑回归特征值归一化

scikit-learn的线性回归模型

结合Scikit-learn介绍几种常用的特征选择方法

机器学习scikit-learn中的特征选择小结

干货:结合Scikit-learn介绍几种常用的特征选择方法