人工智能AI培訓(xùn)_機(jī)器學(xué)習(xí)之特征工程

　　1.    特征工程概覽

特征是數(shù)據(jù)中抽取出來的對(duì)結(jié)果預(yù)測(cè)有用的信息，可以是文本或者數(shù)據(jù)。特征工程是使用專業(yè)背景知識(shí)和技巧處理數(shù)據(jù)，使得特征能在機(jī)器學(xué)習(xí)算法上發(fā)揮更好的作用的過程。過程包含了特征抽取、特征預(yù)處理、特征選擇等過程。

2.    sklearn

sklearn是機(jī)器學(xué)習(xí)中一個(gè)常用的python第三方模塊，網(wǎng)址：http://scikit-learn.org/stable/index.html ，里面對(duì)一些常用的機(jī)器學(xué)習(xí)方法進(jìn)行了封裝，在進(jìn)行機(jī)器學(xué)習(xí)任務(wù)時(shí)，并不需要每個(gè)人都實(shí)現(xiàn)所有的算法，只需要簡(jiǎn)單的調(diào)用sklearn里的模塊就可以實(shí)現(xiàn)大多數(shù)機(jī)器學(xué)習(xí)任務(wù)。

機(jī)器學(xué)習(xí)任務(wù)通常包括特征工程、分類（Classification）和回歸（Regression），常用的分類器包括SVM、KNN、貝葉斯、線性回歸、邏輯回歸、決策樹、隨機(jī)森林、xgboost、GBDT、boosting、神經(jīng)網(wǎng)絡(luò)NN。

常見的降維方法包括TF-IDF、主題模型LDA、主成分分析PCA等等

       以下特征工程使用sklearn來實(shí)現(xiàn)

3.    數(shù)據(jù)的準(zhǔn)備過程

數(shù)據(jù)準(zhǔn)備包括數(shù)據(jù)采集、清洗、采樣

1，數(shù)據(jù)采集：數(shù)據(jù)采集前需要明確采集哪些數(shù)據(jù)，一般的思路為：

- 哪些數(shù)據(jù)對(duì)最后的結(jié)果預(yù)測(cè)有幫助？

- 數(shù)據(jù)我們能夠采集到嗎？

- 線上實(shí)時(shí)計(jì)算的時(shí)候獲取是否快捷？

2，數(shù)據(jù)清洗： 數(shù)據(jù)清洗就是要去除臟數(shù)據(jù)，就是對(duì)有問題的數(shù)據(jù)進(jìn)行預(yù)處理。（在特征處理的時(shí)候會(huì)對(duì)空值等進(jìn)行處理，這里主要是對(duì)一些不合理的數(shù)據(jù)先處理掉，比如一個(gè)有33天），* 常用的異常點(diǎn)檢測(cè)算法包括*

- 偏差檢測(cè)：聚類、最近鄰等

- 基于統(tǒng)計(jì)的異常點(diǎn)檢測(cè)：例如極差，四分位數(shù)間距，均差，標(biāo)準(zhǔn)差等，這種方法適合于挖掘單變量的數(shù)值型數(shù)據(jù)。全距(Range)，又稱極差，是用來表示統(tǒng)計(jì)資料中的變異量數(shù)(measures of variation) ，其較大值與最小值之間的差距；四分位距通常是用來構(gòu)建箱形圖，以及對(duì)概率分布的簡(jiǎn)要圖表概述。

- 基于距離的異常點(diǎn)檢測(cè)：主要通過距離方法來檢測(cè)異常點(diǎn)，將數(shù)據(jù)集中與大多數(shù)點(diǎn)之間距離大于某個(gè)閾值的點(diǎn)視為異常點(diǎn)，主要使用的距離度量方法有絕對(duì)距離 ( 曼哈頓距離 ) 、歐氏距離和馬氏距離等方法。

- 基于密度的異常點(diǎn)檢測(cè)：考察當(dāng)前點(diǎn)周圍密度，可以發(fā)現(xiàn)局部異常點(diǎn)，例如LOF算法

3，數(shù)據(jù)采樣：采集、清洗過數(shù)據(jù)以后，正負(fù)樣本是不均衡的，要進(jìn)行數(shù)據(jù)采樣。采樣的方法有隨機(jī)采樣和分層抽樣。但是隨機(jī)采樣會(huì)有隱患，因?yàn)榭赡苣炒坞S機(jī)采樣得到的數(shù)據(jù)很不均勻，更多的是根據(jù)特征采用分層抽樣。

4.    特征抽取

就是從原始的數(shù)據(jù)中構(gòu)造特征集，原始數(shù)據(jù)可能是時(shí)間戳、文本、圖片、音頻等。我們需要從這些數(shù)據(jù)中構(gòu)建特征集

4.1. 類別型數(shù)據(jù)特征抽取

對(duì)于類別型數(shù)據(jù)不能用數(shù)值表示。（比如顏色{紅、綠、藍(lán)}，數(shù)字1、2、3可以表示，但是顏色本身沒有數(shù)學(xué)關(guān)系，這會(huì)誤導(dǎo)我們的數(shù)學(xué)模型）。常用的方法是熱編碼-(one-hot方法）（OneHotEncoder類）

from sklearn.feature_extraction import DictVectorizer
   '''
   數(shù)據(jù)字典特征抽取
 '''
   def dictvec():
     # 實(shí)例化DictVectorizer，數(shù)據(jù)字典特征提取
     '''
     稀疏矩陣在Python科學(xué)計(jì)算中的實(shí)際意義
     稀疏矩陣庫scipy.sparse
     對(duì)于那些零元素?cái)?shù)目遠(yuǎn)遠(yuǎn)多于非零元素?cái)?shù)目，并且
非零元素的分布沒有規(guī)律的矩陣稱為稀疏矩陣（sparse）。
     由于稀疏矩陣中非零元素較少，零元素較多，因此可以采用
只存儲(chǔ)非零元素的方法來進(jìn)行壓縮存儲(chǔ)。對(duì)于一個(gè)用二維數(shù)組
存儲(chǔ)的稀疏矩陣Amn，如果假設(shè)存儲(chǔ)每個(gè)數(shù)組元素需要L個(gè)字節(jié)，
那么存儲(chǔ)整個(gè)矩陣需要m*n*L個(gè)字節(jié)。但是，這些存儲(chǔ)空間的
大部分存放的是0元素，從而造成大量的空間浪費(fèi)。為了節(jié)省
存儲(chǔ)空間，可以只存儲(chǔ)其中的非0元素。大大減少了空間的存儲(chǔ)。
     另外對(duì)于很多元素為零的稀疏矩陣，僅存儲(chǔ)非零元素可使矩
陣操作效率更高。也就是稀疏矩陣的計(jì)算速度更快，因?yàn)橹粚?duì)
非零元素進(jìn)行操作，這是稀疏矩陣的一個(gè)突出的優(yōu)點(diǎn)。
     Python不能自動(dòng)創(chuàng)建稀疏矩陣，所以要用scipy中特殊的命令來得到稀疏矩陣。
   
     :return:
     '''
     #實(shí)體化DictVectorizer對(duì)象
     dict = DictVectorizer(sparse=False)
     #將字典特征值化
     data = dict.fit_transform([{'city': '北京','temperature': 10}, 
{'city': '上海','temperature':30}, {'city': '深圳','temperature': 28}])
     #dict.get_feature_names(),獲得特值名字
     print(dict.get_feature_names())
     print(data)
     return None

4.2. 文本數(shù)據(jù)特征抽取

（1）詞袋：本數(shù)據(jù)預(yù)處理后，去掉停用詞，剩下的詞組成的list，在詞庫中的映射稀疏向量。Python中用CountVectorizer處理詞袋。 也就是考慮某個(gè)詞在當(dāng)前訓(xùn)練樣本中出現(xiàn)的頻率。

（2）使用TF-IDF特征：TF-IDF是一種統(tǒng)計(jì)方法，用以評(píng)估一字詞對(duì)于一個(gè)文件集或一個(gè)語料庫中的其中一份文件的重要程度。字詞的重要性隨著它在文件中出現(xiàn)的次數(shù)成正比增加，但同時(shí)會(huì)隨著它在語料庫中出現(xiàn)的頻率成反比下降。TF(t) = (詞t在當(dāng)前文中出現(xiàn)次數(shù)) / (t在全部文檔中出現(xiàn)次數(shù))，IDF(t) = ln(總文檔數(shù)/ 含t的文檔數(shù))，TF-IDF權(quán)重 = TF(t) * IDF(t)。自然語言處理中經(jīng)常會(huì)用到。（考慮到了這個(gè)詞語是不是在大部分文件都出現(xiàn)了，即包含這個(gè)詞語的文本條數(shù)的倒數(shù)，這種詞語一般沒有什么作用，排除掉常用詞語的干擾）

from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer
   import jieba
   import numpy as np
   import pandas as pd

'''
   計(jì)算詞的重要性
 '''
   def tfidvec():
     c1, c2, c3 = cutwords()
     tv = TfidfVectorizer()
     data = tv.fit_transform([c1,c2,c3])
     print(tv.get_feature_names())
     print(data.toarray())
     return None

5.    特征預(yù)處理

5.1. 歸一化

歸一化方法有兩種形式，一種是把數(shù)變?yōu)椋?/span>0，1）之間的小數(shù)，一種是把有量綱表達(dá)式變?yōu)闊o量綱表達(dá)式。主要是為了數(shù)據(jù)處理方便提出來的，把數(shù)據(jù)映射到0～1范圍之內(nèi)處理，更加便捷快速，應(yīng)該歸到數(shù)字信號(hào)處理范疇之內(nèi)。

min-max標(biāo)準(zhǔn)化(Min-max normalization)/0-1標(biāo)準(zhǔn)化(0-1 normalization)

也叫離差標(biāo)準(zhǔn)化，是對(duì)原始數(shù)據(jù)的線性變換，使結(jié)果落到[0,1]區(qū)間，轉(zhuǎn)換函數(shù)如下：

注：作用于每一列，max為一列的較大值，min為一列的最小值,那么X’’為最終結(jié)果，mx，mi分別為指定區(qū)間值默認(rèn)mx為1,mi為0

from sklearn.preprocessing import MinMaxScaler,

'''
   歸一化的處理 '''
   def mm():
     mm = MinMaxScaler();
     data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
     print(data)
     return None

5.2. 標(biāo)準(zhǔn)化

通過對(duì)原始數(shù)據(jù)進(jìn)行變換把數(shù)據(jù)變換到均值為0,標(biāo)準(zhǔn)差為1范圍內(nèi)

from sklearn.preprocessing import StandardScaler

'''
   標(biāo)準(zhǔn)化的處理 '''
   def std():
     std = StandardScaler()
     data = std.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])
     print("原始數(shù)據(jù)平均值：",std.mean_)
     print("原始數(shù)據(jù)每列特征的方差:",std.var_)
     print(data)
     return None

5.3. 缺失值處理

對(duì)于缺失特征可以修改成新的特征，也可以刪除，常用有：

（1）刪除：最簡(jiǎn)單的方法是刪除，刪除屬性或者刪除樣本。如果大部分樣本該屬性都缺失，這個(gè)屬性能提供的信息有限，可以選擇放棄使用該維屬性；如果一個(gè)樣本大部分屬性缺失，可以選擇放棄該樣本。雖然這種方法簡(jiǎn)單，但只適用于數(shù)據(jù)集中缺失較少的情況。

（2） 統(tǒng)計(jì)填充：對(duì)于缺失值的屬性，尤其是數(shù)值類型的屬性，根據(jù)所有樣本關(guān)于這維屬性的統(tǒng)計(jì)值對(duì)其進(jìn)行填充，如使用平均數(shù)、中位數(shù)、眾數(shù)、較大值、最小值等，具體選擇哪種統(tǒng)計(jì)值需要具體問題具體分析。另外，如果有可用類別信息，還可以進(jìn)行類內(nèi)統(tǒng)計(jì)，比如身高，男性和女性的統(tǒng)計(jì)填充應(yīng)該是不同的。

（3） 統(tǒng)一填充：對(duì)于含缺失值的屬性，把所有缺失值統(tǒng)一填充為自定義值，如何選擇自定義值也需要具體問題具體分析。當(dāng)然，如果有可用類別信息，也可以為不同類別分別進(jìn)行統(tǒng)一填充。常用的統(tǒng)一填充值有：“空”、“0”、“正無窮”、“負(fù)無窮”等。

（4） 預(yù)測(cè)填充：我們可以通過預(yù)測(cè)模型利用不存在缺失值的屬性來預(yù)測(cè)缺失值，也就是先用預(yù)測(cè)模型把數(shù)據(jù)填充后再做進(jìn)一步的工作，如統(tǒng)計(jì)、學(xué)習(xí)等。雖然這種方法比較復(fù)雜，但是最后得到的結(jié)果比較好。

from sklearn.preprocessing import Imputer

import numpy as np

'''
   缺失值處理 '''
   def im():
     im = Imputer(missing_values="NaN", strategy="mean",axis=0)
     data = im.fit_transform([[1, 2], [np.nan, 3], [7, 6]])
     print(data)
     return None

5.4. 對(duì)時(shí)間戳數(shù)據(jù)

很多任務(wù)與時(shí)間維度有關(guān)系，比如用電量等，此時(shí)要將時(shí)間戳數(shù)據(jù)轉(zhuǎn)換為時(shí)間特征。常見的轉(zhuǎn)換有：

（1）day of weak(一周的星期幾）、day of month、day of year、week of year、month of year、hour of day、minute of day 、哪個(gè)季度。

（2）t_m24（前一天的數(shù)值）、t_m48（前兩天的數(shù)值）等。

（3）tdif（與親一天的數(shù)值的差值）等。

5.5. 特征選擇

當(dāng)數(shù)據(jù)預(yù)處理完成后，我們需要選擇有意義的特征輸入機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練。原始的特征可能有冗余（兩個(gè)特征說的是一個(gè)問題，相關(guān)性太強(qiáng)）、噪聲（會(huì)影響問題的效果）。通常來說，從兩個(gè)方面考慮來選擇特征：

特征是否發(fā)散：如果一個(gè)特征不發(fā)散，例如方差接近于0，也就是說樣本在這個(gè)特征上基本上沒有差異，這個(gè)特征對(duì)于樣本的區(qū)分并沒有什么用。

特征與目標(biāo)的相關(guān)性：這點(diǎn)比較顯見，與目標(biāo)相關(guān)性高的特征，應(yīng)當(dāng)優(yōu)選選擇。除方差法外，本文介紹的其他方法均從相關(guān)性考慮。

1，filter(過濾法）：方法：評(píng)估單個(gè)特征和結(jié)果值之間的相關(guān)程度， 排序留下Top相關(guān)的特征部分。 評(píng)價(jià)方式： Pearson相關(guān)系數(shù)， 互信息， 距離相關(guān)度。 缺點(diǎn)：只評(píng)估了單個(gè)特征對(duì)結(jié)果的影響，沒有考慮到特征之間的關(guān)聯(lián)作用， 可能把有用的關(guān)聯(lián)特征誤踢掉。因此工業(yè)界使用比較少。

（1）方差選擇：計(jì)算各個(gè)特征的方差，然后根據(jù)閾值，選擇方差大于閾值的特征。使用feature_selection庫的VarianceThreshold類。

（2）相關(guān)系數(shù)法：計(jì)算各個(gè)特征對(duì)目標(biāo)值的相關(guān)系數(shù)以及相關(guān)系數(shù)的P值。用feature_selection庫的SelectKBest類結(jié)合相關(guān)系數(shù)來選擇。

（卡方檢驗(yàn)是檢驗(yàn)定性自變量對(duì)定性因變量的相關(guān)性，互信息是評(píng)價(jià)定性自變量對(duì)定性因變量的相關(guān)性，可以用這兩個(gè)值和SelectKBest類來選擇）

2，wrapper（包裹法）： 方法：把特征選擇看做一個(gè)特征子集搜索問題， 篩選各種特 征子集， 用模型評(píng)估子集特征的效果。 典型算法：“遞歸特征刪除算法”，應(yīng)用在邏輯回歸的過程：

a.用全量特征跑一個(gè)模型；

b.根據(jù)線性模型的系數(shù)(體現(xiàn)相關(guān)性)，刪掉5-10%的弱特征，觀察準(zhǔn)確率/auc的變化；

c.逐步進(jìn)行， 直至準(zhǔn)確率/auc出現(xiàn)大的下滑停止。

（python中是RFE類）

3，嵌入法： 方法：根據(jù)模型來分析特征的重要性，最常見的方式為用正則化方式來做特征選擇。（這種方式在工業(yè)界很常用）

（1）基于懲罰項(xiàng)的方法：就是用L1,L2正則化來做特征選擇。L1正則有截?cái)嘈?yīng)：不重要的特征的參數(shù)權(quán)重為0，L1正則方法具有稀疏解的特性，因此天然具備特征選擇的特性，但是要注意，L1沒有選到的特征不代表不重要，原因是兩個(gè)具有高相關(guān)性的特征可能只保留了一個(gè)，如果要確定哪個(gè)特征重要應(yīng)再通過L2正則方法交叉檢驗(yàn)；；L2正則有縮放效應(yīng)：拿到手的特征都比較小。SelectFromModel類來解決。

（2）基于樹模型的特征選擇法：樹模型中GBDT也可用來作為基模型進(jìn)行特征選擇，使用feature_selection庫的SelectFromModel類結(jié)合GBDT模型。

from sklearn.feature_selection import VarianceThreshold

'''
   利用方差作特征選擇 '''
   def vt():
     vt = VarianceThreshold(threshold=0)
     data = vt.fit_transform([[0, 2, 0, 3], [0, 1, 4, 3], [0, 1, 1, 3]])
     print(data)
     return None

5.6. 特征降維

當(dāng)特征選擇完成后，可以直接訓(xùn)練模型了，但是可能由于特征矩陣過大，導(dǎo)致計(jì)算量大，訓(xùn)練時(shí)間長(zhǎng)的問題，因此降低特征矩陣維度也是必不可少的。常見的降維方法除了以上提到的基于L1懲罰項(xiàng)的模型以外，另外還有主成分分析法（PCA）和線性判別分析（LDA），線性判別分析本身也是一個(gè)分類模型。PCA和LDA有很多的相似點(diǎn)，其本質(zhì)是要將原始的樣本映射到維度更低的樣本空間中，但是PCA和LDA的映射目標(biāo)不一樣： PCA是為了讓映射后的樣本具有較大的發(fā)散性；而LDA是為了讓映射后的樣本有最好的分類性能。所以說PCA是一種無監(jiān)督的降維方法，而LDA是一種有監(jiān)督的降維方法。PCA和LDA降維原理涉及到大量的數(shù)學(xué)推導(dǎo)過程，請(qǐng)自行查閱相關(guān)文檔

from sklearn.decomposition import PCA

'''
 pca降維
 '''
   def pca():
     pca = PCA()
     data = pca.fit_transform([[2,8,4,5],[6,3,0,8],[5,4,9,1]])
     print(data)
     return None