【機(jī)器學(xué)習(xí)】一文帶你用 sklearn 做特征工程

關(guān)注"Python學(xué)習(xí)與數(shù)據(jù)挖掘"

使用sklearn做特征工程

特征工程是什么？

有這么一句話在業(yè)界廣泛流傳：數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。那特征工程到底是什么呢？顧名思義，其本質(zhì)是一項(xiàng)工程活動(dòng)，目的是最大限度地從原始數(shù)據(jù)中提取特征以供算法和模型使用。通過(guò)總結(jié)和歸納，人們認(rèn)為特征工程包括以下方面：

特征處理是特征工程的核心部分，sklearn提供了較為完整的特征處理方法，包括數(shù)據(jù)預(yù)處理，特征選擇，降維等。首次接觸到sklearn，通常會(huì)被其豐富且方便的算法模型庫(kù)吸引，但是這里介紹的特征處理庫(kù)也十分強(qiáng)大！

本文中使用sklearn中的IRIS（鳶尾花）數(shù)據(jù)集^[1]來(lái)對(duì)特征處理功能進(jìn)行說(shuō)明。IRIS數(shù)據(jù)集由Fisher在1936年整理，包含4個(gè)特征（Sepal.Length（花萼長(zhǎng)度）、Sepal.Width（花萼寬度）、Petal.Length（花瓣長(zhǎng)度）、Petal.Width（花瓣寬度）），特征值都為正浮點(diǎn)數(shù)，單位為厘米。目標(biāo)值為鳶尾花的分類（Iris Setosa（山鳶尾）、Iris Versicolour（雜色鳶尾），Iris Virginica（維吉尼亞鳶尾））。導(dǎo)入IRIS數(shù)據(jù)集的代碼如下：

?1?from?sklearn.datasets?import?load\_iris?
?2?
?3?#導(dǎo)入IRIS數(shù)據(jù)集
?4?iris?=?load\_iris\(\)?
?5?
?6?#特征矩陣
?7?iris.data
?8?
?9?#目標(biāo)向量
10?iris.target

數(shù)據(jù)預(yù)處理

通過(guò)特征提取，我們能得到未經(jīng)處理的特征，這時(shí)的特征可能有以下問(wèn)題：

• 不屬于同一量綱：

即特征的規(guī)格不一樣，不能夠放在一起比較。無(wú)量綱化可以解決這一問(wèn)題。

• 信息冗余：

對(duì)于某些定量特征，其包含的有效信息為區(qū)間劃分，例如學(xué)習(xí)成績(jī)，假若只關(guān)心“及格”或不“及格”，那么需要將定量的考分，轉(zhuǎn)換成“1”和“0”表示及格和未及格。二值化可以解決這一問(wèn)題。

• 定性特征不能直接使用：

某些機(jī)器學(xué)習(xí)算法和模型只能接受定量特征的輸入，那么需要將定性特征轉(zhuǎn)換為定量特征。最簡(jiǎn)單的方式是為每一種定性值指定一個(gè)定量值，但是這種方式過(guò)于靈活，增加了調(diào)參的工作。通常使用啞編碼的方式將定性特征轉(zhuǎn)換為定量特征^[2]：假設(shè)有N種定性值，則將這一個(gè)特征擴(kuò)展為N種特征，當(dāng)原始特征值為第i種定性值時(shí)，第i個(gè)擴(kuò)展特征賦值為1，其他擴(kuò)展特征賦值為0。啞編碼的方式相比直接指定的方式，不用增加調(diào)參的工作，對(duì)于線性模型來(lái)說(shuō)，使用啞編碼后的特征可達(dá)到非線性的效果。

• 存在缺失值：

缺失值需要補(bǔ)充。

• 信息利用率低：

不同的機(jī)器學(xué)習(xí)算法和模型對(duì)數(shù)據(jù)中信息的利用是不同的，之前提到在線性模型中，使用對(duì)定性特征啞編碼可以達(dá)到非線性的效果。類似地，對(duì)定量變量多項(xiàng)式化，或者進(jìn)行其他的轉(zhuǎn)換，都能達(dá)到非線性的效果。

我們使用sklearn中的preproccessing庫(kù)來(lái)進(jìn)行數(shù)據(jù)預(yù)處理，可以覆蓋以上問(wèn)題的解決方案。

2.1 無(wú)量綱化

無(wú)量綱化使不同規(guī)格的數(shù)據(jù)轉(zhuǎn)換到同一規(guī)格。常見(jiàn)的無(wú)量綱化方法有標(biāo)準(zhǔn)化和區(qū)間縮放法。標(biāo)準(zhǔn)化的前提是特征值服從正態(tài)分布，標(biāo)準(zhǔn)化后，其轉(zhuǎn)換成標(biāo)準(zhǔn)正態(tài)分布。區(qū)間縮放法利用了邊界值信息，將特征的取值區(qū)間縮放到某個(gè)特點(diǎn)的范圍，例如[0, 1]等。

2.1.1 標(biāo)準(zhǔn)化

標(biāo)準(zhǔn)化需要計(jì)算特征的均值和標(biāo)準(zhǔn)差，公式表達(dá)為：

使用preproccessing庫(kù)的StandardScaler類對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的代碼如下：

1?from?sklearn.preprocessing?import?StandardScaler?
2?
3?#標(biāo)準(zhǔn)化，返回值為標(biāo)準(zhǔn)化后的數(shù)據(jù)
4?StandardScaler\(\).fit\_transform\(iris.data\)

2.1.2 區(qū)間縮放法

區(qū)間縮放法的思路有多種，常見(jiàn)的一種為利用兩個(gè)最值進(jìn)行縮放，公式表達(dá)為：

使用preproccessing庫(kù)的MinMaxScaler類對(duì)數(shù)據(jù)進(jìn)行區(qū)間縮放的代碼如下：

1?from?sklearn.preprocessing?import?MinMaxScaler?
2?
3?#區(qū)間縮放，返回值為縮放到\[0,?1\]區(qū)間的數(shù)據(jù)
4?MinMaxScaler\(\).fit\_transform\(iris.data\)

2.1.3 標(biāo)準(zhǔn)化與歸一化的區(qū)別

簡(jiǎn)單來(lái)說(shuō)，標(biāo)準(zhǔn)化是依照特征矩陣的列處理數(shù)據(jù)，其通過(guò)求z-score的方法，將樣本的特征值轉(zhuǎn)換到同一量綱下。歸一化是依照特征矩陣的行處理數(shù)據(jù)，其目的在于樣本向量在點(diǎn)乘運(yùn)算或其他核函數(shù)計(jì)算相似性時(shí)，擁有統(tǒng)一的標(biāo)準(zhǔn)，也就是說(shuō)都轉(zhuǎn)化為“單位向量”。規(guī)則為l2的歸一化公式如下：

使用preproccessing庫(kù)的Normalizer類對(duì)數(shù)據(jù)進(jìn)行歸一化的代碼如下：

1?from?sklearn.preprocessing?import?Normalizer?
2?
3?#歸一化，返回值為歸一化后的數(shù)據(jù)
4?Normalizer\(\).fit\_transform\(iris.data\)

2.2 對(duì)定量特征二值化

定量特征二值化的核心在于設(shè)定一個(gè)閾值，大于閾值的賦值為1，小于等于閾值的賦值為0，公式表達(dá)如下：

使用preproccessing庫(kù)的Binarizer類對(duì)數(shù)據(jù)進(jìn)行二值化的代碼如下：

1?from?sklearn.preprocessing?import?Binarizer?
2?
3?#二值化，閾值設(shè)置為3，返回值為二值化后的數(shù)據(jù)
4?Binarizer\(threshold=3\).fit\_transform\(iris.data\)

2.3 對(duì)定性特征啞編碼

由于IRIS數(shù)據(jù)集的特征皆為定量特征，故使用其目標(biāo)值進(jìn)行啞編碼（實(shí)際上是不需要的）。使用preproccessing庫(kù)的OneHotEncoder類對(duì)數(shù)據(jù)進(jìn)行啞編碼的代碼如下：

1?from?sklearn.preprocessing?import?OneHotEncoder?
2?
3?#啞編碼，對(duì)IRIS數(shù)據(jù)集的目標(biāo)值，返回值為啞編碼后的數(shù)據(jù)
4?OneHotEncoder\(\).fit\_transform\(iris.target.reshape\(\(-1,1\)\)\)

2.4 缺失值計(jì)算

由于IRIS數(shù)據(jù)集沒(méi)有缺失值，故對(duì)數(shù)據(jù)集新增一個(gè)樣本，4個(gè)特征均賦值為NaN，表示數(shù)據(jù)缺失。使用preproccessing庫(kù)的Imputer類對(duì)數(shù)據(jù)進(jìn)行缺失值計(jì)算的代碼如下：

1?from?numpy?import?vstack,?array,?nan?2?from?sklearn.preprocessing?import?Imputer?
3?
4?#缺失值計(jì)算，返回值為計(jì)算缺失值后的數(shù)據(jù)
5?#參數(shù)missing\_value為缺失值的表示形式，默認(rèn)為NaN
6?#參數(shù)strategy為缺失值填充方式，默認(rèn)為mean（均值）
7?Imputer\(\).fit\_transform\(vstack\(\(array\(\[nan,?nan,?nan,?nan\]\),?iris.data\)\)\)

2.5 數(shù)據(jù)變換

常見(jiàn)的數(shù)據(jù)變換有基于多項(xiàng)式的、基于指數(shù)函數(shù)的、基于對(duì)數(shù)函數(shù)的。4個(gè)特征，度為2的多項(xiàng)式轉(zhuǎn)換公式如下：

使用preproccessing庫(kù)的PolynomialFeatures類對(duì)數(shù)據(jù)進(jìn)行多項(xiàng)式轉(zhuǎn)換的代碼如下：

1?from?sklearn.preprocessing?import?PolynomialFeatures?
2?
3?#多項(xiàng)式轉(zhuǎn)換
4?#參數(shù)degree為度，默認(rèn)值為2
5?PolynomialFeatures\(\).fit\_transform\(iris.data\)

基于單變?cè)瘮?shù)的數(shù)據(jù)變換可以使用一個(gè)統(tǒng)一的方式完成，使用preproccessing庫(kù)的FunctionTransformer對(duì)數(shù)據(jù)進(jìn)行對(duì)數(shù)函數(shù)轉(zhuǎn)換的代碼如下：

1?from?numpy?import?log1p?2?from?sklearn.preprocessing?import?FunctionTransformer?3?
4?#自定義轉(zhuǎn)換函數(shù)為對(duì)數(shù)函數(shù)的數(shù)據(jù)變換
5?#第一個(gè)參數(shù)是單變?cè)瘮?shù)
6?FunctionTransformer\(log1p\).fit\_transform\(iris.data\)

2.6 回顧

?

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。通常來(lái)說(shuō)，從兩個(gè)方面考慮來(lái)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(shuō)樣本在這個(gè)特征上基本上沒(méi)有差異，這個(gè)特征對(duì)于樣本的區(qū)分并沒(méi)有什么用。

• 特征與目標(biāo)的相關(guān)性：
  這點(diǎn)比較顯見(jiàn)，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。

根據(jù)特征選擇的形式又可以將特征選擇方法分為3種：

• Filter：過(guò)濾法，按照發(fā)散性或者相關(guān)性對(duì)各個(gè)特征進(jìn)行評(píng)分，設(shè)定閾值或者待選擇閾值的個(gè)數(shù)，選擇特征。
• Wrapper：包裝法，根據(jù)目標(biāo)函數(shù)（通常是預(yù)測(cè)效果評(píng)分），每次選擇若干特征，或者排除若干特征。
• Embedded：嵌入法，先使用某些機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練，得到各個(gè)特征的權(quán)值系數(shù)，根據(jù)系數(shù)從大到小選擇特征。類似于Filter方法，但是是通過(guò)訓(xùn)練來(lái)確定特征的優(yōu)劣。

我們使用sklearn中的feature_selection庫(kù)來(lái)進(jìn)行特征選擇。

3.1 Filter

3.1.1 方差選擇法

使用方差選擇法，先要計(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(kù)的VarianceThreshold類來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?VarianceThreshold?
2?
3?#方差選擇法，返回值為特征選擇后的數(shù)據(jù)
4?#參數(shù)threshold為方差的閾值
5?VarianceThreshold\(threshold=3\).fit\_transform\(iris.data\)

3.1.2 相關(guān)系數(shù)法

使用相關(guān)系數(shù)法，先要計(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(kù)的SelectKBest類結(jié)合相關(guān)系數(shù)來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?SelectKBest?
2?from?scipy.stats?import?pearsonr?
3?
4?#選擇K個(gè)最好的特征，返回選擇特征后的數(shù)據(jù)
5?#第一個(gè)參數(shù)為計(jì)算評(píng)估特征是否好的函數(shù)，該函數(shù)輸入特征矩陣和目標(biāo)向量，輸出二元組（評(píng)分，P值）的數(shù)組，數(shù)組第i項(xiàng)為第i個(gè)特征的評(píng)分和P值。在此定義為計(jì)算相關(guān)系數(shù)
6?#參數(shù)k為選擇的特征個(gè)數(shù)
7?SelectKBest\(lambda?X,?Y:?array\(map\(lambda?x:pearsonr\(x,?Y\),?X.T\)\).T,?k=2\).fit\_transform\(iris.data,?iris.target\)

3.1.3 卡方檢驗(yàn)

經(jīng)典的卡方檢驗(yàn)是檢驗(yàn)定性自變量對(duì)定性因變量的相關(guān)性。假設(shè)自變量有N種取值，因變量有M種取值，考慮自變量等于i且因變量等于j的樣本頻數(shù)的觀察值與期望的差距，構(gòu)建統(tǒng)計(jì)量：

這個(gè)統(tǒng)計(jì)量的含義簡(jiǎn)而言之就是自變量對(duì)因變量的相關(guān)性。用feature_selection庫(kù)的SelectKBest類結(jié)合卡方檢驗(yàn)來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?SelectKBest?
2?from?sklearn.feature\_selection?import?chi2?
3?
4?#選擇K個(gè)最好的特征，返回選擇特征后的數(shù)據(jù)
5?SelectKBest\(chi2,?k=2\).fit\_transform\(iris.data,?iris.target\)

3.1.4 互信息法

經(jīng)典的互信息也是評(píng)價(jià)定性自變量對(duì)定性因變量的相關(guān)性的，互信息計(jì)算公式如下：

為了處理定量數(shù)據(jù)，最大信息系數(shù)法被提出，使用feature_selection庫(kù)的SelectKBest類結(jié)合最大信息系數(shù)法來(lái)選擇特征的代碼如下：

?1?from?sklearn.feature\_selection?import?SelectKBest?
?2?from?minepy?import?MINE?
?3?
?4?#由于MINE的設(shè)計(jì)不是函數(shù)式的，定義mic方法將其為函數(shù)式的，返回一個(gè)二元組，二元組的第2項(xiàng)設(shè)置成固定的P值0.5
?5?def?mic\(x,?y\):?
?6?????m?=?MINE\(\)?
?7?????m.compute\_score\(x,?y\)
?8?????return?\(m.mic\(\),?0.5\)
?9?
10?#選擇K個(gè)最好的特征，返回特征選擇后的數(shù)據(jù)
11?SelectKBest\(lambda?X,?Y:?array\(map\(lambda?x:mic\(x,?Y\),?X.T\)\).T,?k=2\).fit\_transform\(iris.data,?iris.target\)

3.2 Wrapper

3.2.1 遞歸特征消除法

遞歸消除特征法使用一個(gè)基模型來(lái)進(jìn)行多輪訓(xùn)練，每輪訓(xùn)練后，消除若干權(quán)值系數(shù)的特征，再基于新的特征集進(jìn)行下一輪訓(xùn)練。使用feature_selection庫(kù)的RFE類來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?RFE?
2?from?sklearn.linear\_model?import?LogisticRegression?
3?
4?#遞歸特征消除法，返回特征選擇后的數(shù)據(jù)
5?#參數(shù)estimator為基模型
6?#參數(shù)n\_features\_to\_select為選擇的特征個(gè)數(shù)
7?RFE\(estimator=LogisticRegression\(\),?n\_features\_to\_select=2\).fit\_transform\(iris.data,?iris.target\)

3.3 Embedded

3.3.1 基于懲罰項(xiàng)的特征選擇法

使用帶懲罰項(xiàng)的基模型，除了篩選出特征外，同時(shí)也進(jìn)行了降維。使用feature_selection庫(kù)的SelectFromModel類結(jié)合帶L1懲罰項(xiàng)的邏輯回歸模型，來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?SelectFromModel?
2?from?sklearn.linear\_model?import?LogisticRegression?
3?
4?#帶L1懲罰項(xiàng)的邏輯回歸作為基模型的特征選擇
5?SelectFromModel\(LogisticRegression\(penalty="l1",?C=0.1\)\).fit\_transform\(iris.data,?iris.target\)

L1懲罰項(xiàng)降維的原理在于保留多個(gè)對(duì)目標(biāo)值具有同等相關(guān)性的特征中的一個(gè)^[3]，所以沒(méi)選到的特征不代表不重要。故，可結(jié)合L2懲罰項(xiàng)來(lái)優(yōu)化。具體操作為：若一個(gè)特征在L1中的權(quán)值為1，選擇在L2中權(quán)值差別不大且在L1中權(quán)值為0的特征構(gòu)成同類集合，將這一集合中的特征平分L1中的權(quán)值，故需要構(gòu)建一個(gè)新的邏輯回歸模型：

?1?from?sklearn.linear\_model?import?LogisticRegression?
?2?
?3?class?LR\(LogisticRegression\):?
?4?????def?\_\_init\_\_\(self,?threshold=0.01,?dual=False,?tol=1e-4,?C=1.0,
?5??????????????????fit\_intercept=True,?intercept\_scaling=1,?class\_weight=None,
?6??????????????????random\_state=None,?solver='liblinear',?max\_iter=100,
?7??????????????????multi\_class='ovr',?verbose=0,?warm\_start=False,?n\_jobs=1\):
?8?
?9?????????#權(quán)值相近的閾值
10?????????self.threshold?=?threshold?
11?????????LogisticRegression.\_\_init\_\_\(self,?penalty='l1',?dual=dual,?tol=tol,?C=C,?
12??????????????????fit\_intercept=fit\_intercept,?intercept\_scaling=intercept\_scaling,?class\_weight=class\_weight,?
13??????????????????random\_state=random\_state,?solver=solver,?max\_iter=max\_iter,?
14??????????????????multi\_class=multi\_class,?verbose=verbose,?warm\_start=warm\_start,?n\_jobs=n\_jobs\)?
15?????????#使用同樣的參數(shù)創(chuàng)建L2邏輯回歸
16?????????self.l2?=?LogisticRegression\(penalty='l2',?dual=dual,?tol=tol,?C=C,?fit\_intercept=fit\_intercept,?intercept\_scaling=intercept\_scaling,?class\_weight?=?class\_weight,?random\_state=random\_state,?solver=solver,?max\_iter=max\_iter,?multi\_class=multi\_class,?verbose=verbose,?warm\_start=warm\_start,?n\_jobs=n\_jobs\)?
17?
18?????def?fit\(self,?X,?y,?sample\_weight=None\):?
19?????????#訓(xùn)練L1邏輯回歸
20?????????super\(LR,?self\).fit\(X,?y,?sample\_weight=sample\_weight\)?21?????????self.coef\_old\_?=?self.coef\_.copy\(\)?
22?????????#訓(xùn)練L2邏輯回歸
23?????????self.l2.fit\(X,?y,?sample\_weight=sample\_weight\)?
24?
25?????????cntOfRow,?cntOfCol?=?self.coef\_.shape?
26?????????#權(quán)值系數(shù)矩陣的行數(shù)對(duì)應(yīng)目標(biāo)值的種類數(shù)目
27?????????for?i?in?range\(cntOfRow\):?28?????????????for?j?in?range\(cntOfCol\):?
29?????????????????coef?=?self.coef\_\[i\]\[j\]?
30?????????????????#L1邏輯回歸的權(quán)值系數(shù)不為0
31?????????????????if?coef?\!=?0:?
32?????????????????????idx?=?\[j\]?
33?????????????????????#對(duì)應(yīng)在L2邏輯回歸中的權(quán)值系數(shù)
34?????????????????????coef1?=?self.l2.coef\_\[i\]\[j\]?
35?????????????????????for?k?in?range\(cntOfCol\):?
36?????????????????????????coef2?=?self.l2.coef\_\[i\]\[k\]?
37?????????????????????????#在L2邏輯回歸中，權(quán)值系數(shù)之差小于設(shè)定的閾值，且在L1中對(duì)應(yīng)的權(quán)值為0
38?????????????????????????if?abs\(coef1-coef2\)?\and?j?\!=?k?and?self.coef\_\[i\]\[k\]?==?0:?
39?idx.append\(k\)?
40?????????????????????#計(jì)算這一類特征的權(quán)值系數(shù)均值
41?????????????????????mean?=?coef?/?len\(idx\)?
42?????????????????????self.coef\_\[i\]\[idx\]?=?mean?
43?????????return?self

使用feature_selection庫(kù)的SelectFromModel類結(jié)合帶L1以及L2懲罰項(xiàng)的邏輯回歸模型，來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?SelectFromModel?
2?
3?#帶L1和L2懲罰項(xiàng)的邏輯回歸作為基模型的特征選擇
4?#參數(shù)threshold為權(quán)值系數(shù)之差的閾值
5?SelectFromModel\(LR\(threshold=0.5,?C=0.1\)\).fit\_transform\(iris.data,?iris.target\)

3.3.2 基于樹(shù)模型的特征選擇法

樹(shù)模型中GBDT也可用來(lái)作為基模型進(jìn)行特征選擇，使用feature_selection庫(kù)的SelectFromModel類結(jié)合GBDT模型，來(lái)選擇特征的代碼如下：

1?from?sklearn.feature\_selection?import?SelectFromModel?2?from?sklearn.ensemble?import?GradientBoostingClassifier?3?
4?#GBDT作為基模型的特征選擇
5?SelectFromModel\(GradientBoostingClassifier\(\)\).fit\_transform\(iris.data,?iris.target\)

3.4 回顧

?

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(guò)大，導(dǎo)致計(jì)算量大，訓(xùn)練時(shí)間長(zhǎng)的問(wèn)題，因此降低特征矩陣維度也是必不可少的。常見(jiàn)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最大的發(fā)散性；而LDA是為了讓映射后的樣本有最好的分類性能^[4]。所以說(shuō)PCA是一種無(wú)監(jiān)督的降維方法，而LDA是一種有監(jiān)督的降維方法。

4.1 主成分分析法（PCA）

使用decomposition庫(kù)的PCA類選擇特征的代碼如下：

1?from?sklearn.decomposition?import?PCA?2?
3?#主成分分析法，返回降維后的數(shù)據(jù)
4?#參數(shù)n\_components為主成分?jǐn)?shù)目
5?PCA\(n\_components=2\).fit\_transform\(iris.data\)

4.2 線性判別分析法（LDA）

使用lda庫(kù)的LDA類選擇特征的代碼如下：

1?from?sklearn.lda?import?LDA?
2?
3?#線性判別分析法，返回降維后的數(shù)據(jù)
4?#參數(shù)n\_components為降維后的維數(shù)
5?LDA\(n\_components=2\).fit\_transform\(iris.data,?iris.target\)

4.3 回顧

?

總結(jié)

再讓我們回歸一下本文開(kāi)始的特征工程的思維導(dǎo)圖，我們可以使用sklearn完成幾乎所有特征處理的工作，而且不管是數(shù)據(jù)預(yù)處理，還是特征選擇，抑或降維，它們都是通過(guò)某個(gè)類的方法fit_transform完成的，fit_transform要不只帶一個(gè)參數(shù)：特征矩陣，要不帶兩個(gè)參數(shù)：特征矩陣加目標(biāo)向量。這些難道都是巧合嗎？還是故意設(shè)計(jì)成這樣？方法fit_transform中有fit這一單詞，它和訓(xùn)練模型的fit方法有關(guān)聯(lián)嗎？接下來(lái)，我將在《使用sklearn優(yōu)雅地進(jìn)行數(shù)據(jù)挖掘》^[5]中闡述其中的奧妙！

長(zhǎng)按或掃描下方二維碼，后臺(tái)回復(fù)：加群，即可申請(qǐng)入群。一定要備注：來(lái)源+研究方向+學(xué)校/公司，否則不拉入群中，見(jiàn)諒！
（長(zhǎng)按三秒，進(jìn)入后臺(tái)）

推薦閱讀
利用Python做一個(gè)漂亮小姐姐詞云跳舞視頻
用 Python 繪制動(dòng)態(tài)可視化圖表，屌爆了！
保姆級(jí)教程！使用 LSTM 進(jìn)行多變量時(shí)間序列預(yù)測(cè)！
四款可視化工具，解決99%的可視化大屏需求