做模型时常常是特征越多模型准确率越高（至少在训练集上）。但过多的特征又增加了数据收集、处理、存储的工作量，以及模型的复杂度。
在保证模型质量的前提下，我们希望尽量少地使用特征，这样也间接地加强了模型的可解释性。一般来说，为避免过拟合，特征尽量控制在实例个数的1/20以下，比如有3000个实例，则特征最好控制在150以下。
除了特征的具体个数，特征工程中也经常遇到某些特征严重缺失，特征相关性强，一些特征不但无法给模型带来贡献，反而带来噪声等问题。
本篇介绍特征筛选工具feature-selector，在github上有1.8K星，它使用少量的代码解决了特征筛选中的常见问题，用法简单，便于扩展；同时也提供了作图方法，以更好地呈现特征效果。
下载地址
https://github.com/WillKoehrsen/feature-selector
核心代码
其核心代码文件只有feature_selector/feature_selector.py（600多行代码），所有方法都定义在FeatureSelector类中，因此，不用安装，只需要将该文件复制你的项目中即可使用。
功能点
- 寻找缺失严重的特征
- 寻找仅有单值的特征
- 寻找相关性强的特征（皮尔森相关系数，默认只考虑数值型）
- 寻找特征重要性为0的特征（根据gbm模型）
- 寻找特征重要性低的特征（根据gbm模型）
示例代码
示例及效果见：Feature Selector Usage.ipynb
代码中使用Kaggle比赛中信用风险预测的数据，为分类问题。
其中包含10000条数据，122个特征；将其TARGET字段作为标签，其它字段作为预测特征。
首先用训练数据建立类的实例：
fs = FeatureSelector(data = train, labels = train_labels)
后面逐一列出了各个函数的用法，此处不再一一列举。
图示
工具提供plot_xxx等方法具象地展示了数据情况：
- 数据缺失图
该图横坐标为缺失比例，纵坐标为特征个数，例如第一列为缺失比例在0-0.1之间的特征约60多个。
- 特征取值图
该图横坐标为特征取值个数，纵轴为特征个数，例如第一个柱表示将近100个特征取值的个数在1-1000之间，最后一柱表示有几个特征有上万种取值。
- 特征相关性
下图中列出了相关系数大于0.98的特征（未列出所有特征），同时还提供fs.record_collinear()方法列出各个特征对及其相关系数。
- 特征重要性
工具默认使用lightgbm模型计算特征重要性，在调用方法时需要指定损失函数，以及使用分类方法还是回归方法，迭代次数等等。工具可显示其前N个重要特征。另外，还可以参考下图，查看模型特征个数与模型效果的关系，下图显示：将模型参数简化为122个后，模型准确率几乎不变。
网友评论