sklearn.feature_selection.SelectKBest 特征评分模块中的负数问题

Question

我正在尝试自动特征工程和选择，为此，我使用了 sklearn 中提供的波士顿房价数据集。

from sklearn.datasets import load_boston
import pandas as pd
data = load_boston()
x = data.data
y= data.target
y = pd.DataFrame(y)

然后我在数据集上实现了特征转换库。

import autofeat as af
clf = af.AutoFeatRegressor()
df = clf.fit_transform(x,y)
df = pd.DataFrame(df)

在此之后，我实现了另一个函数来查找每个特征相对于标签的得分。

from sklearn.feature_selection import SelectKBest, chi2
X_new = SelectKBest(chi2, k=20)
X_new_done = X_new.fit_transform(df,y)
dfscores = pd.DataFrame(X_new.scores_)
dfcolumns = pd.DataFrame(X_new_done.columns)
featureScores = pd.concat([dfcolumns,dfscores],axis=1)
featureScores.columns = ['Specs','Score']
print(featureScores.nlargest(10,'Score'))

这给出了如下错误。

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-16-b0fa1556bdef> in <module>()
      1 from sklearn.feature_selection import SelectKBest, chi2
      2 X_new = SelectKBest(chi2, k=20)
----> 3 X_new_done = X_new.fit_transform(df,y)
      4 dfscores = pd.DataFrame(X_new.scores_)
      5 dfcolumns = pd.DataFrame(X_new_done.columns)

ValueError: Input X must be non-negative.

我的数据集中有一些负数。那么我该如何克服这个问题呢？

注意：- df 现在有y 的转换，它只有x 的转换。

Answer 1

你有一个全为负值的特征：

df['exp(x005)*log(x000)']

返回

0     -3630.638503
1     -2212.931477
2     -4751.790753
3     -3754.508972
4     -3395.387438
          ...
501   -2022.382877
502   -1407.856591
503   -2998.638158
504   -1973.273347
505   -1267.482741
Name: exp(x005)*log(x000), Length: 506, dtype: float64

---

引用另一个答案（https://stackoverflow.com/a/46608239/5025009）：

错误消息Input X must be non-negative 说明了一切：Pearson's chi square test (goodness of fit) 不适用于负值。这是合乎逻辑的，因为卡方检验假设频率分布并且频率不能是负数。因此，sklearn.feature_selection.chi2 断言输入为非负数。

在许多情况下，简单地移动每个特征以使其全部为正，甚至按照 EdChum 的建议标准化为 [0, 1] 区间可能是非常安全的。

如果由于某种原因无法进行数据转换（例如，负值是一个重要因素），您应该选择另一个统计数据来对您的特征进行评分：

• sklearn.feature_selection.f_regression 计算方差分析 f 值
• sklearn.feature_selection.mutual_info_classif 计算互信息

由于此过程的重点是为另一种方法准备特征，因此选择任何人都不是什么大问题，最终结果通常相同或非常接近。