特徵工程-特徵選擇、特徵表達、特徵預處理
特徵工程是數據分析中最耗時間和精力的一部分工作,它不像演算法和模型那樣是確定的步驟,更多是工程上的經驗和權衡。因此沒有統一的方法。這裡只是對一些常用的方法做一個總結。本文關注於特徵選擇部分。後面還有兩篇會關注於特徵表達和特徵預處理。
一、特徵選擇
1. 特徵的來源
在做數據分析的時候,特徵的來源一般有兩塊,一塊是業務已經整理好各種特徵數據,我們需要去找出適合我們問題需要的特徵;另一塊是我們從業務特徵中自己去尋找高級數據特徵。我們就針對這兩部分來分別討論。
2. 選擇合適的特徵
我們首先看當業務已經整理好各種特徵數據時,我們如何去找出適合我們問題需要的特徵,此時特徵數可能成百上千,哪些纔是我們需要的呢?
第一步是找到該領域懂業務的專家,讓他們給一些建議。比如我們需要解決一個藥品療效的分類問題,那麼先找到領域專家,向他們諮詢哪些因素(特徵)會對該藥品的療效產生影響,較大影響的和較小影響的都要。這些特徵就是我們的特徵的第一候選集。
這個特徵集合有時候也可能很大,在嘗試降維之前,我們有必要用特徵工程的方法去選擇出較重要的特徵結合,這些方法不會用到領域知識,而僅僅是統計學的方法。
最簡單的方法就是方差篩選。方差越大的特徵,那麼我們可以認為它是比較有用的。如果方差較小,比如小於1,那麼這個特徵可能對我們的演算法作用沒有那麼大。最極端的,如果某個特徵方差為0,即所有的樣本該特徵的取值都是一樣的,那麼它對我們的模型訓練沒有任何作用,可以直接捨棄。在實際應用中,我們會指定一個方差的閾值,當方差小於這個閾值的特徵會被我們篩掉。sklearn中的VarianceThreshold類可以很方便的完成這個工作。
特徵選擇方法有很多,一般分為三類:第一類過濾法比較簡單,它按照特徵的發散性或者相關性指標對各個特徵進行評分,設定評分閾值或者待選擇閾值的個數,選擇合適特徵。上面我們提到的方差篩選就是過濾法的一種。第二類是包裝法,根據目標函數,通常是預測效果評分,每次選擇部分特徵,或者排除部分特徵。第三類嵌入法則稍微複雜一點,它先使用某些機器學習的演算法和模型進行訓練,得到各個特徵的權值係數,根據權值係數從大到小來選擇特徵。類似於過濾法,但是它是通過機器學習訓練來確定特徵的優劣,而不是直接從特徵的一些統計學指標來確定特徵的優劣。下面我們分別來看看3類方法。
2.1 過濾法選擇特徵
上面我們已經講到了使用特徵方差來過濾選擇特徵的過程。除了特徵的方差這第一種方法,還有其他一些統計學指標可以使用。
第二個可以使用的是相關係數。這個主要用於輸出連續值的監督學習演算法中。我們分別計算所有訓練集中各個特徵與輸出值之間的相關係數,設定一個閾值,選擇相關係數較大的部分特徵。
第三個可以使用的是假設檢驗,比如卡方檢驗。卡方檢驗可以檢驗某個特徵分佈和輸出值分佈之間的相關性。個人覺得它比比粗暴的方差法好用。如果大家對卡方檢驗不熟悉,可以參看這篇卡方檢驗原理及應用,這裡就不展開了。在sklearn中,可以使用chi2這個類來做卡方檢驗得到所有特徵的卡方值與顯著性水平P臨界值,我們可以給定卡方值閾值, 選擇卡方值較大的部分特徵。
除了卡方檢驗,我們還可以使用F檢驗和t檢驗,它們都是使用假設檢驗的方法,只是使用的統計分佈不是卡方分佈,而是F分佈和t分佈而已。在sklearn中,有F檢驗的函數f_classif和f_regression,分別在分類和回歸特徵選擇時使用。
第四個是互信息,即從信息熵的角度分析各個特徵和輸出值之間的關係評分。在決策樹演算法中我們講到過互信息(信息增益)。互信息值越大,說明該特徵和輸出值之間的相關性越大,越需要保留。在sklearn中,可以使用mutual_info_classif(分類)和mutual_info_regression(回歸)來計算各個輸入特徵和輸出值之間的互信息。
以上就是過濾法的主要方法,個人經驗是,在沒有什麼思路的 時候,可以優先使用卡方檢驗和互信息來做特徵選擇
2.2 包裝法選擇特徵
包裝法的解決思路沒有過濾法這麼直接,它會選擇一個目標函數來一步步的篩選特徵。
最常用的包裝法是遞歸消除特徵法(recursive feature elimination,以下簡稱RFE)。遞歸消除特徵法使用一個機器學習模型來進行多輪訓練,每輪訓練後,消除若干權值係數的對應的特徵,再基於新的特徵集進行下一輪訓練。在sklearn中,可以使用RFE函數來選擇特徵。
我們下面以經典的SVM-RFE演算法來討論這個特徵選擇的思路。這個演算法以支持向量機來做RFE的機器學習模型選擇特徵。它在第一輪訓練的時候,會選擇所有的特徵來訓練,得到了分類的超平面wx˙+b=0wx˙+b=0後,如果有n個特徵,那麼RFE-SVM會選擇出ww中分量的平方值w2iwi2最小的那個序號i對應的特徵,將其排除,在第二類的時候,特徵數就剩下n-1個了,我們繼續用這n-1個特徵和輸出值來訓練SVM,同樣的,去掉w2iwi2最小的那個序號i對應的特徵。以此類推,直到剩下的特徵數滿足我們的需求為止。
2.3 嵌入法選擇特徵
嵌入法也是用機器學習的方法來選擇特徵,但是它和RFE的區別是它不是通過不停的篩掉特徵來進行訓練,而是使用的都是特徵全集。在sklearn中,使用SelectFromModel函數來選擇特徵。
最常用的是使用L1正則化和L2正則化來選擇特徵。在之前講到的用scikit-learn和pandas學習Ridge回歸第6節中,我們講到正則化懲罰項越大,那麼模型的係數就會越小。當正則化懲罰項大到一定的程度的時候,部分特徵係數會變成0,當正則化懲罰項繼續增大到一定程度時,所有的特徵係數都會趨於0. 但是我們會發現一部分特徵係數會更容易先變成0,這部分係數就是可以篩掉的。也就是說,我們選擇特徵係數較大的特徵。常用的L1正則化和L2正則化來選擇特徵的基學習器是邏輯回歸。
此外也可以使用決策樹或者GBDT。那麼是不是所有的機器學習方法都可以作為嵌入法的基學習器呢?也不是,一般來說,可以得到特徵係數coef或者可以得到特徵重要度(feature importances)的演算法纔可以做為嵌入法的基學習器。
3. 尋找高級特徵
在我們拿到已有的特徵後,我們還可以根據需要尋找到更多的高級特徵。比如有車的路程特徵和時間間隔特徵,我們就可以得到車的平均速度這個二級特徵。根據車的速度特徵,我們就可以得到車的加速度這個三級特徵,根據車的加速度特徵,我們就可以得到車的加加速度這個四級特徵。。。也就是說,高級特徵可以一直尋找下去。
在Kaggle之類的演算法競賽中,高分團隊主要使用的方法除了集成學習演算法,剩下的主要就是在高級特徵上面做文章。所以尋找高級特徵是模型優化的必要步驟之一。當然,在第一次建立模型的時候,我們可以先不尋找高級特徵,得到以後基準模型後,再尋找高級特徵進行優化。
尋找高級特徵最常用的方法有:
若干項特徵加和: 我們假設你希望根據每日銷售額得到一週銷售額的特徵。你可以將最近的7天的銷售額相加得到。
若干項特徵之差: 假設你已經擁有每週銷售額以及每月銷售額兩項特徵,可以求一週前一月內的銷售額。若干項特徵乘積: 假設你有商品價格和商品銷量的特徵,那麼就可以得到銷售額的特徵。
若干項特徵除商: 假設你有每個用戶的銷售額和購買的商品件數,那麼就是得到該用戶平均每件商品的銷售額。當然,尋找高級特徵的方法遠不止於此,它需要你根據你的業務和模型需要而得,而不是隨便的兩兩組合形成高級特徵,這樣容易導致特徵爆炸,反而沒有辦法得到較好的模型。個人經驗是,聚類的時候高級特徵盡量少一點,分類回歸的時候高級特徵適度的多一點。
4. 特徵選擇小結
特徵選擇是特徵工程的第一步,它關係到我們機器學習演算法的上限。因此原則是盡量不錯過一個可能有用的特徵,但是也不濫用太多的特徵。
二、特徵表達
1. 缺失值處理
特徵有缺失值是非常常見的,大部分機器學習模型在擬合前需要所有的特徵都有值,不能是空或者NULL。那麼如果有缺失值我們需要怎麼處理呢?
首先我們會看是該特徵是連續值還是離散值。如果是連續值,那麼一般有兩種選擇,一是選擇所有有該特徵值的樣本,然後取平均值,來填充缺失值,另一種是取中位數來填充缺失值。如果是離散值,則一般會選擇所有有該特徵值的樣本中最頻繁出現的類別值,來填充缺失值。在sklearn中,可以使用preprocessing.Imputer來選擇這三種不同的處理邏輯做預處理。
2. 特殊的特徵處理
有些特徵的默認取值比較特殊,一般需要做了處理後才能用於演算法。比如日期時間,比如顯示20180519,這樣的值一般沒辦法直接使用。那麼一般需要如何變換呢?
對於時間原始特徵,處理方法有很多,這裡只舉例幾種有代表性的方法。 第一種是使用連續的時間差值法,即計算出所有樣本的時間到某一個未來時間之間的數值差距,這樣這個差距是UTC的時間差,從而將時間特徵轉化為連續值。第二種方法是根據時間所在的年,月,日,星期幾,小時數,將一個時間特徵轉化為若干個離散特徵,這種方法在分析具有明顯時間趨勢的問題比較好用。第三種是權重法,即根據時間的新舊得到一個權重值。比如對於商品,三個月前購買的設置一個較低的權重,最近三天購買的設置一個中等的權重,在三個月內但是三天前的設置一個較大的權重。當然,還有其他的設置權重的方法,這個要根據要解決的問題來靈活確定。
對地理特徵,比如「廣州市天河區XX街道XX號」,這樣的特徵我們應該如何使用呢?處理成離散值和連續值都是可以的。如果是處理成離散值,則需要轉化為多個離散特徵,比如城市名特徵,區縣特徵,街道特徵等。但是如果我們需要判斷用戶分佈區域,則一般處理成連續值會比較好,這時可以將地址處理成經度和緯度的連續特徵。
3. 離散特徵的連續化處理
有很多機器學習演算法只能處理連續值特徵,不能處理離散值特徵,比如線性回歸,邏輯回歸等。那麼想使用邏輯回歸,線性回歸時這些值只能丟棄嗎?當然不是。我們可以將離散特徵連續化處理。
最常見的離散特徵連續化的處理方法是獨熱編碼one-hot encoding。處理方法其實比較簡單,比如某特徵的取值是高,中和低,那麼我們就可以創建三個取值為0或者1的特徵,將高編碼為1,0,0這樣三個特徵,中編碼為0,1,0這樣三個特徵,低編碼為0,0,1這樣三個特徵。也就是說,之前的一個特徵被我們轉化為了三個特徵。sklearn的OneHotEncoder可以幫我們做這個處理。
第二個方法是特徵嵌入embedding。這個一般用於深度學習中。比如對於用戶的ID這個特徵,如果要使用獨熱編碼,則維度會爆炸,如果使用特徵嵌入就維度低很多了。對於每個要嵌入的特徵,我們會有一個特徵嵌入矩陣,這個矩陣的行很大,對應我們該特徵的數目。比如用戶ID,如果有100萬個,那麼嵌入的特徵矩陣的行就是100萬。但是列一般比較小,比如可以取20。這樣每個用戶ID就轉化為了一個20維的特徵向量。進而參與深度學習模型。在tensorflow中,我們可以先隨機初始化一個特徵嵌入矩陣,對於每個用戶,可以用tf.nn.embedding_lookup找到該用戶的特徵嵌入向量。特徵嵌入矩陣會在反向傳播的迭代中優化。
此外,在自然語言處理中,我們也可以用word2vec將詞轉化為詞向量,進而可以進行一些連續值的後繼處理。
4. 離散特徵的離散化處理
離散特徵有時間也不能直接使用,需要先進行轉化。比如最常見的,如果特徵的取值是高,中和低,那麼就算你需要的是離散值,也是沒法直接使用的。
對於原始的離散值特徵,最常用的方法也是獨熱編碼,方法在第三節已經講到。
第二種方法是虛擬編碼dummy coding,它和獨熱編碼類似,但是它的特點是,如果我們的特徵有N個取值,它只需要N-1個新的0,1特徵來代替,而獨熱編碼會用N個新特徵代替。比如一個特徵的取值是高,中和低,那麼我們只需要兩位編碼,比如只編碼中和低,如果是1,0則是中,0,1則是低。0,0則是高了。目前虛擬編碼使用的沒有獨熱編碼廣,因此一般有需要的話還是使用獨熱編碼比較好。
此外,有時候我們可以對特徵進行研究後做一個更好的處理。比如,我們研究商品的銷量對應的特徵。裡面有一個原始特徵是季節春夏秋冬。我們可以將其轉化為淡季和旺季這樣的二值特徵,方便建模。當然有時候轉化為三值特徵或者四值特徵也是可以的。
對於分類問題的特徵輸出,我們一般需要用sklearn的LabelEncoder將其轉化為0,1,2,...這樣的類別標籤值。
5. 連續特徵的離散化處理
對於連續特徵,有時候我們也可以將其做離散化處理。這樣特徵變得高維稀疏,方便一些演算法的處理。
對常用的方法是根據閾值進行分組,比如我們根據連續值特徵的分位數,將該特徵分為高,中和低三個特徵。將分位數從0-0.3的設置為高,0.3-0.7的設置為中,0.7-1的設置為高。
當然還有高級一些的方法。比如使用GBDT。在LR+GBDT的經典模型中,就是使用GDBT來先將連續值轉化為離散值。那麼如何轉化呢?比如我們用訓練集的所有連續值和標籤輸出來訓練GBDT,最後得到的GBDT模型有兩顆決策樹,第一顆決策樹有三個葉子節點,第二顆決策樹有4個葉子節點。如果某一個樣本在第一顆決策樹會落在第二個葉子節點,在第二顆決策樹落在第4顆葉子節點,那麼它的編碼就是0,1,0,0,0,0,1,一共七個離散特徵,其中會有兩個取值為1的位置,分別對應每顆決策樹中樣本落點的位置。在sklearn中,我們可以用GradientBoostingClassifier的 apply方法很方便的得到樣本離散化後的特徵,然後使用獨熱編碼即可。