使用 sklearn 进行多标签特征选择

Question

我希望使用 sklearn 对多标签数据集执行特征选择。我想获得跨标签的最终特征集，然后我将在另一个机器学习包中使用它们。本来打算用我看到的here的方法，分别为每个标签选择相关的特征。

from sklearn.svm import LinearSVC
from sklearn.feature_selection import chi2, SelectKBest
from sklearn.multiclass import OneVsRestClassifier
clf = Pipeline([('chi2', SelectKBest(chi2, k=1000)),
                ('svm', LinearSVC())])
multi_clf = OneVsRestClassifier(clf)

然后我计划使用以下方法提取包含的特征的索引，每个标签：

selected_features = []
for i in multi_clf.estimators_:
    selected_features += list(i.named_steps["chi2"].get_support(indices=True))

现在，我的问题是，如何选择要包含在最终模型中的选定功能？我可以使用每一个独特的特征（包括只与一个标签相关的特征），或者我可以做一些事情来选择与更多标签相关的特征。

我最初的想法是创建一个选择给定特征的标签数量的直方图，并根据视觉检查确定一个阈值。我担心的是这种方法是主观的。有没有更原则的方法来使用 sklearn 对多标签数据集执行特征选择？

Answer 1

根据这个paper中的结论：

[...] 根据平均值或最大值对特征进行排序 所有标签的卡方得分，导致大多数最好的 分类器，同时使用较少的特征。

然后，为了选择一个好的特性子集，您只需要这样做（类似）：

from sklearn.feature_selection import chi2, SelectKBest

selected_features = [] 
for label in labels:
    selector = SelectKBest(chi2, k='all')
    selector.fit(X, Y[label])
    selected_features.append(list(selector.scores_))

// MeanCS 
selected_features = np.mean(selected_features, axis=0) > threshold
// MaxCS
selected_features = np.max(selected_features, axis=0) > threshold

注意：在上面的代码中，我假设 X 是某个文本矢量化器（文本的矢量化版本）的输出，Y 是一个熊猫数据框，每个标签有一列（所以我可以选择列 @987654323 @)。此外，还有一个阈值变量需要事先固定。

Answer 2

http://scikit-learn.org/stable/modules/feature_selection.html

有很多选项，但 SelectKBest 和递归特征消除是两个相当流行的选项。

RFE 的工作原理是将统一特征排除在模型之外，然后重新训练并比较结果，以便最后留下的特征能够实现最佳预测精度。

什么是最好的很大程度上取决于您的数据和用例。

除了可以粗略地描述为特征选择的交叉验证方法之外，您还可以查看贝叶斯模型选择，这是一种更具理论性的方法，并且倾向于更简单的模型而不是复杂的模型。