回歸或分類要使用哪些功能？

Question

有沒有辦法確定與我的機器學習模型最相關的功能。 如果我有20個功能，是否有一個功能可以決定我應該使用哪些功能（或可以自動刪除不相關的功能的功能）？ 我計划對回歸模型或分類模型進行此操作。

我想要的輸出是最相關的值列表和預測

import pandas as pd
from sklearn.linear_model import LinearRegression

dic = {'par_1': [10, 30, 11, 19, 28, 33, 23],
       'par_2': [1, 3, 1, 2, 3, 3, 2],
       'par_3': [15, 3, 16, 65, 24, 56, 13],
       'outcome': [101, 905, 182, 268, 646, 624, 465]}

df = pd.DataFrame(dic)

variables = df.iloc[:,:-1]
results = df.iloc[:,-1]

print(variables.shape)
print(results.shape)


reg = LinearRegression()
reg.fit(variables, results)

x = reg.predict([[18, 2, 21]])[0]
print(x)

Answer 1

您要尋找的術語是特征選擇 ：它在於確定哪些特征與您的分析最相關。 scikit-learn庫在此處專門介紹了整個章節。

另一種可能性是訴諸降維技術，例如PCA （主成分分析）或隨機投影。 每種技術都有其優缺點，因此很大程度上取決於您擁有的數據和特定的應用程序。

Answer 2

您可以訪問reg對象的coef_屬性：

print(reg.coef_)

稱這些權重為過於簡單，因為它們在線性回歸中具有特定含義。 但是他們就是你所擁有的。

Answer 3

使用線性模型時，重要的是使用線性獨立的特征。 您可以使用df.corr()可視化相關性：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.decomposition import PCA
from sklearn.metrics import mean_squared_error

numpy.random.seed(2)

dic = {'par_1': [10, 30, 11, 19, 28, 33, 23],
       'par_2': [1, 3, 1, 2, 3, 3, 2],
       'par_3': [15, 3, 16, 65, 24, 56, 13],
       'outcome': [101, 905, 182, 268, 646, 624, 465]}

df = pd.DataFrame(dic)

print(df.corr())

out:
            par_1     par_2     par_3   outcome
par_1    1.000000  0.977935  0.191422  0.913878
par_2    0.977935  1.000000  0.193213  0.919307
par_3    0.191422  0.193213  1.000000 -0.158170
outcome  0.913878  0.919307 -0.158170  1.000000

您可以看到par_1和par_2是高度相關的。 如@taga所述，您可以使用PCA將要素映射到線性獨立的較低維度空間：

variables = df.iloc[:,:-1]
results = df.iloc[:,-1]

pca = PCA(n_components=2)
pca_all = pca.fit_transform(variables)

print(np.corrcoef(pca_all[:, 0], pca_all[:, 1]))

out:
[[1.00000000e+00 1.87242048e-16]
 [1.87242048e-16 1.00000000e+00]]

請記住要根據樣本數據驗證模型：

X_train = variables[:4]
y_train = results[:4]
X_valid = variables[4:]
y_valid = results[4:]

pca = PCA(n_components=2)
pca.fit(X_train)

pca_train = pca.transform(X_train)
pca_valid = pca.transform(X_valid)
print(pca_train)

reg = LinearRegression()
reg.fit(pca_train, y_train)

yhat_train = reg.predict(pca_train)
yhat_valid = reg.predict(pca_valid)

print(mean_squared_error(yhat_train, y_train))
print(mean_squared_error(yhat_valid, y_valid))

功能選擇並非易事：有許多sklearn模塊可以實現它（請參閱docs ），您應該始終嘗試至少使用其中的幾個，看看哪些可以提高樣本外數據的性能。

Answer 4

好了，最初我遇到了同樣的問題，我發現選擇相關功能有用的兩種方法是這些。

1，您可以通過使用模型的特征重要性屬性來獲取數據集中每個特征的特征重要性.Feature重要度是基於樹的分類器隨附的內置類。

import pandas as pd
import numpy as np
data = pd.read_csv("D://Blogs//train.csv")
X = data.iloc[:,0:20]  #independent columns
y = data.iloc[:,-1]    #target column i.e price range
from sklearn.ensemble import ExtraTreesClassifier
import matplotlib.pyplot as plt
model = ExtraTreesClassifier()
model.fit(X,y)
print(model.feature_importances_) #use inbuilt class feature_importances of tree based classifiers
#plot graph of feature importances for better visualization
feat_importances = pd.Series(model.feature_importances_, index=X.columns)
feat_importances.nlargest(10).plot(kind='barh')
plt.show()

點擊查看圖片

2.帶有熱圖的相關矩陣

關聯說明要素如何相互關聯或與目標變量關聯。 它給出了特征如何與目標變量關聯的直覺。

點擊查看圖片

這不是我的研究，而是此博客功能的選擇 ，這有助於消除我的疑問，我敢肯定，您也可以這樣做。:)