重庆教育建设集团有限公司官方网站,wordpress 上传word,个人电脑wordpress,wordpress音乐批量上传前言 特征重要性分析用于了解每个特征(变量或输入)对于做出预测的有用性或价值。目标是确定对模型输出影响最大的最重要的特征#xff0c;它是机器学习中经常使用的一种方法。 为什么特征重要性分析很重要? 如果有一个包含数十个甚至数百个特征的数据集#xff0c;每个特征…前言 特征重要性分析用于了解每个特征(变量或输入)对于做出预测的有用性或价值。目标是确定对模型输出影响最大的最重要的特征它是机器学习中经常使用的一种方法。 为什么特征重要性分析很重要? 如果有一个包含数十个甚至数百个特征的数据集每个特征都可能对你的机器学习模型的性能有所贡献。但是并不是所有的特征都是一样的。有些可能是冗余的或不相关的这会增加建模的复杂性并可能导致过拟合。 特征重要性分析可以识别并关注最具信息量的特征从而带来以下几个优势: 改进的模型性能 减少过度拟合 更快的训练和推理 增强的可解释性 下面我们深入了解在Python中的一些特性重要性分析的方法。 特征重要性分析方法 1、排列重要性 PermutationImportance 该方法会随机排列每个特征的值然后监控模型性能下降的程度。如果获得了更大的下降意味着特征更重要 from sklearn.datasets import load_breast_cancerfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.inspection import permutation_importancefrom sklearn.model_selection import train_test_splitimport matplotlib.pyplot as pltcancer load_breast_cancer()X_train, X_test, y_train, y_test train_test_split(cancer.data, cancer.target, random_state1)rf RandomForestClassifier(n_estimators100, random_state1)rf.fit(X_train, y_train)baseline rf.score(X_test, y_test)result permutation_importance(rf, X_test, y_test, n_repeats10, random_state1, scoringaccuracy)importances result.importances_mean# Visualize permutation importancesplt.bar(range(len(importances)), importances)plt.xlabel(Feature Index)plt.ylabel(Permutation Importance)plt.show() 2、内置特征重要性(coef_或feature_importances_) 一些模型如线性回归和随机森林可以直接输出特征重要性分数。这些显示了每个特征对最终预测的贡献。 from sklearn.datasets import load_breast_cancerfrom sklearn.ensemble import RandomForestClassifierX, y load_breast_cancer(return_X_yTrue)rf RandomForestClassifier(n_estimators100, random_state1)rf.fit(X, y)importances rf.feature_importances_# Plot importancesplt.bar(range(X.shape[1]), importances)plt.xlabel(Feature Index)plt.ylabel(Feature Importance)plt.show() 3、Leave-one-out 迭代地每次删除一个特征并评估准确性。 from sklearn.datasets import load_breast_cancerfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as pltimport numpy as np# Load sample dataX, y load_breast_cancer(return_X_yTrue)# Split data into train and test setsX_train, X_test, y_train, y_test train_test_split(X, y, test_size0.3, random_state1)# Train a random forest modelrf RandomForestClassifier(n_estimators100, random_state1)rf.fit(X_train, y_train)# Get baseline accuracy on test database_acc accuracy_score(y_test, rf.predict(X_test))# Initialize empty list to store importancesimportances []# Iterate over all columns and remove one at a timefor i in range(X_train.shape[1]):X_temp np.delete(X_train, i, axis1)rf.fit(X_temp, y_train)acc accuracy_score(y_test, rf.predict(np.delete(X_test, i, axis1)))importances.append(base_acc - acc)# Plot importance scores    plt.bar(range(len(importances)), importances)plt.show() 4、相关性分析 计算各特征与目标变量之间的相关性。相关性越高的特征越重要。 import pandas as pdfrom sklearn.datasets import load_breast_cancerX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] ycorrelations df.corrwith(df.y).abs()correlations.sort_values(ascendingFalse, inplaceTrue)correlations.plot.bar() 5、递归特征消除 Recursive Feature Elimination 递归地删除特征并查看它如何影响模型性能。删除时会导致更大下降的特征更重要。 from sklearn.ensemble import RandomForestClassifierfrom sklearn.feature_selection import RFEimport pandas as pdfrom sklearn.datasets import load_breast_cancerimport matplotlib.pyplot as pltX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] yrf RandomForestClassifier()rfe RFE(rf, n_features_to_select10)rfe.fit(X, y)print(rfe.ranking_)输出为[6 4 11 12 7 11 18 21 8 16 10 3 15 14 19 17 20 13 11 11 12 9 11 5 11] 6、XGBoost特性重要性 计算一个特性用于跨所有树拆分数据的次数。更多的分裂意味着更重要。 import xgboost as xgbimport pandas as pdfrom sklearn.datasets import load_breast_cancerimport matplotlib.pyplot as pltX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] ymodel xgb.XGBClassifier()model.fit(X, y)importances model.feature_importances_importances pd.Series(importances, indexrange(X.shape[1]))importances.plot.bar() 7、主成分分析 PCA 对特征进行主成分分析并查看每个主成分的解释方差比。在前几个组件上具有较高负载的特性更为重要。 from sklearn.decomposition import PCAimport pandas as pdfrom sklearn.datasets import load_breast_cancerimport matplotlib.pyplot as pltX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] ypca PCA()pca.fit(X)plt.bar(range(pca.n_components_), pca.explained_variance_ratio_)plt.xlabel(PCA components)plt.ylabel(Explained Variance) 8、方差分析 ANOVA 使用f_classif()获得每个特征的方差分析f值。f值越高表明特征与目标的相关性越强。 from sklearn.feature_selection import f_classifimport pandas as pdfrom sklearn.datasets import load_breast_cancerimport matplotlib.pyplot as pltX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] yfval f_classif(X, y)fval pd.Series(fval[0], indexrange(X.shape[1]))fval.plot.bar() 9、卡方检验 使用chi2()获得每个特征的卡方统计信息。得分越高的特征越有可能独立于目标。 from sklearn.feature_selection import chi2import pandas as pdfrom sklearn.datasets import load_breast_cancerimport matplotlib.pyplot as pltX, y load_breast_cancer(return_X_yTrue)df pd.DataFrame(X, columnsrange(30))df[y] ychi_scores chi2(X, y)chi_scores pd.Series(chi_scores[0], indexrange(X.shape[1]))chi_scores.plot.bar() 为什么不同的方法会检测到不同的特征? 不同的特征重要性方法有时可以识别出不同的特征是最重要的这是因为 1、他们用不同的方式衡量重要性: 有的使用不同特特征进行预测监控精度下降 像XGBOOST或者回归模型使用内置重要性来进行特征的重要性排列 而PCA着眼于方差解释 2、不同模型有不同模型的方法 线性模型倾向于线性关系树模型倾向于非线性有增益的特征 3、交互作用: 有的方法可以获取特征之间的相互左右而有一些则不行这就会导致结果的差异 4、不稳定: 使用不同的数据子集重要性值可能在同一方法的不同运行中有所不同这是因为数据差异决定的 5、Hyperparameters: 通过调整超参数如PCA组件或树深度也会影响结果 所以不同的假设、偏差、数据处理和方法的可变性意味着它们并不总是在最重要的特征上保持一致。 选择特征重要性分析方法的一些最佳实践 尝试多种方法以获得更健壮的视图 聚合结果的集成方法 更多地关注相对顺序而不是绝对值 差异并不一定意味着有问题检查差异的原因会对数据和模型有更深入的了解