机器学习-R-特征选择

特征选择是实用机器学习的重要一步，一般数据集都带有太多的特征用于模型构建，如何找出有用特征是值得关注的内容。

1. Feature selection: All-relevant selection with the Boruta package

特征选择两种方法用于分析：

（1）最少最优特征选择（minimal-optimal feature selection)识别少量特征集合（理想状况最少）给出尽可能优的分类结果；

（2）所有相关特征选择（all-relevant feature selection)识别所有与分类有关的所有特征。

本文使用Boruta包，它使用随机森林分类算法，测量每个特征的重要行（z score)。

2. 使用caret包

使用递归特征消除法，rfe参数

x，预测变量的矩阵或数据框

y，输出结果向量（数值型或因子型）

sizes，用于测试的特定子集大小的整型向量

rfeControl，用于指定预测模型和方法的一系列选项

一些列函数可以用于rfeControl$functions，包括：线性回归（lmFuncs），随机森林（rfFuncs），朴素贝叶斯(nbFuncs)，bagged trees（treebagFuncs)和可以用于caret的train函数的函数（caretFuncs）。

1）移除冗余特征

移除高度关联的特征。

Caret R包提供findCorrelation函数，分析特征的关联矩阵，移除冗余特征

[python] view plain copy

1. set.seed(7)
2. # load the library
3. library(mlbench)
4. library(caret)
5. # load the data
6. data(PimaIndiansDiabetes)
7. #P calculate correlation matrix
8. correlationMatrix <- cor(PimaIndiansDiabetes[,1:8])
9. # summarize the correlation matrix
10. print(correlationMatrix)
11. # find attributes that are highly corrected (ideally >0.75)
12. highlyCorrelated <- findCorrelation(correlationMatrix, cutoff=0.5)
13. # print indexes of highly correlated attributes
14. print(highlyCorrelated)

2) 根据重要性进行特征排序

特征重要性可以通过构建模型获取。一些模型，诸如决策树，内建有特征重要性的获取机制。另一些模型，每个特征重要性利用ROC曲线分析获取。

下例加载Pima Indians Diabetes数据集，构建一个Learning Vector Quantization（LVQ）模型。varImp用于获取特征重要性。从图中可以看出glucose, mass和age是前三个最重要的特征，insulin是最不重要的特征。

1. # ensure results are repeatable
2. set.seed(7)
3. # load the library
4. library(mlbench)
5. library(caret)
6. # load the dataset
7. data(PimaIndiansDiabetes)
8. # prepare training scheme
9. control <- trainControl(method="repeatedcv", number=10, repeats=3)
10. # train the model
11. model <- train(diabetes~., data=PimaIndiansDiabetes, method="lvq", preProcess="scale", trControl=control)
12. # estimate variable importance
13. importance <- varImp(model, scale=FALSE)
14. # summarize importance
15. print(importance)
16. # plot importance
17. plot(importance)

3）特征选择

自动特征选择用于构建不同子集的许多模型，识别哪些特征有助于构建准确模型，哪些特征没什么帮助。

特征选择的一个流行的自动方法称为 递归特征消除（Recursive Feature Elimination）或RFE。

下例在Pima Indians Diabetes数据集上提供RFE方法例子。随机森林算法用于每一轮迭代中评估模型的方法。该算法用于探索所有可能的特征子集。从图中可以看出当使用4个特征时即可获取与最高性能相差无几的结果。

1. # ensure the results are repeatable
2. set.seed(7)
3. # load the library
4. library(mlbench)
5. library(caret)
6. # load the data
7. data(PimaIndiansDiabetes)
8. # define the control using a random forest selection function
9. control <- rfeControl(functions=rfFuncs, method="cv", number=10)
10. # run the RFE algorithm
11. results <- rfe(PimaIndiansDiabetes[,1:8], PimaIndiansDiabetes[,9], sizes=c(1:8), rfeControl=control)
12. # summarize the results
13. print(results)
14. # list the chosen features
15. predictors(results)
16. # plot the results
17. plot(results, type=c("g", "o"))

原文：http://blog.csdn.net/python_learn/article/details/45008073