Имеет ли Scikit-Learn прямооборотный алгоритм отбора/поэтапной регрессии?
-
16-10-2019 - |
Вопрос
Я работаю над проблемой с слишком большим количеством функций, и обучение моих моделей занимает слишком много времени. Я реализовал алгоритм выбора вперед, чтобы выбрать функции.
Тем не менее, мне было интересно, имеет ли Scikit-Learn прямооборотный алгоритм отбора/поэтапной регрессии?
Решение
Нет, у Sklearn, похоже, нет алгоритма отбора вперед. Тем не менее, он обеспечивает рекурсивное устранение функций, которое представляет собой жадный алгоритм устранения функций, аналогичный последовательному обратному выбору. Смотрите документацию здесь:
http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.rfe.html
Другие советы
У Sklearn есть алгоритм отбора вперед, хотя это не называется в Scikit-Learn. Метод выбора функции называется F_regression в Scikit-learn последовательно включают функции, которые больше всего улучшают модель, пока не появятся K
Особенности в модели (k - это вход).
Он начинается с регрессии на метках на каждой функции индивидуально, а затем наблюдает, что, какая функция улучшила модель наиболее с использованием F-статистики. Затем он включает в себя выигрышную функцию в модель. Затем он повторяется через оставшиеся функции, чтобы найти следующую функцию, которая больше всего улучшает модель, опять же, используя F-статистику или F-тест. Это происходит до тех пор, пока в модели не появятся K функции.
Обратите внимание, что оставшиеся функции, которые коррелируют с функциями, включенными в модель, вероятно, не будут выбраны, поскольку они не коррелируют с остатками (хотя они могут хорошо коррелировать с этикетками). Это помогает защитить многоколлинеарность.
Scikit-learn действительно не поддерживает пошаговую регрессию. Это потому, что то, что обычно называют «пошаговой регрессией», является алгоритмом, основанным на значениях p коэффициентов линейной регрессии, и Scikit-learn намеренно избегает логического подхода к моделированию (тестирование значимости и т. Д.). Более того, Pure OLS является лишь одним из многочисленных алгоритмов регрессии, и с точки зрения Scikit-Learn он не является ни очень важным, ни одним из лучших.
Однако есть несколько советов для тех, кому все еще нужен хороший способ для выбора функций с линейными моделями:
- Используйте ненужные модели, такие как
ElasticNet
или жеLasso
. - Нормализовать свои функции с помощью
StandardScaler
, а затем закажите свои функции.model.coef_
. Анкет Для совершенно независимых ковариат это эквивалентно сортировке с помощью p-значений. Классsklearn.feature_selection.RFE
сделаю это для вас, иRFECV
Даже оценит оптимальное количество функций. - Использовать реализация выбора вперед по скорректированному $ r^2 $, который работает с
statsmodels
. - Сделайте грубую силу вперед или назад, чтобы максимизировать свой любимый показатель по перекрестной проверке (это может занять приблизительно квадратичное время в ковариатах). Scikit-learn совместимый
mlxtend
упаковка поддержка Этот подход для любого оценки и любой метрики. - Если вам все еще нужна ванильная пошаговая регрессия, легче основывать ее на
statsmodels
, поскольку этот пакет рассчитывает для вас. Основной выбор вперед может выглядеть так:
```
from sklearn.datasets import load_boston
import pandas as pd
import numpy as np
import statsmodels.api as sm
data = load_boston()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target
def stepwise_selection(X, y,
initial_list=[],
threshold_in=0.01,
threshold_out = 0.05,
verbose=True):
""" Perform a forward-backward feature selection
based on p-value from statsmodels.api.OLS
Arguments:
X - pandas.DataFrame with candidate features
y - list-like with the target
initial_list - list of features to start with (column names of X)
threshold_in - include a feature if its p-value < threshold_in
threshold_out - exclude a feature if its p-value > threshold_out
verbose - whether to print the sequence of inclusions and exclusions
Returns: list of selected features
Always set threshold_in < threshold_out to avoid infinite looping.
See https://en.wikipedia.org/wiki/Stepwise_regression for the details
"""
included = list(initial_list)
while True:
changed=False
# forward step
excluded = list(set(X.columns)-set(included))
new_pval = pd.Series(index=excluded)
for new_column in excluded:
model = sm.OLS(y, sm.add_constant(pd.DataFrame(X[included+[new_column]]))).fit()
new_pval[new_column] = model.pvalues[new_column]
best_pval = new_pval.min()
if best_pval < threshold_in:
best_feature = new_pval.argmin()
included.append(best_feature)
changed=True
if verbose:
print('Add {:30} with p-value {:.6}'.format(best_feature, best_pval))
# backward step
model = sm.OLS(y, sm.add_constant(pd.DataFrame(X[included]))).fit()
# use all coefs except intercept
pvalues = model.pvalues.iloc[1:]
worst_pval = pvalues.max() # null if pvalues is empty
if worst_pval > threshold_out:
changed=True
worst_feature = pvalues.argmax()
included.remove(worst_feature)
if verbose:
print('Drop {:30} with p-value {:.6}'.format(worst_feature, worst_pval))
if not changed:
break
return included
result = stepwise_selection(X, y)
print('resulting features:')
print(result)
Этот пример будет распечатать следующий вывод:
Add LSTAT with p-value 5.0811e-88
Add RM with p-value 3.47226e-27
Add PTRATIO with p-value 1.64466e-14
Add DIS with p-value 1.66847e-05
Add NOX with p-value 5.48815e-08
Add CHAS with p-value 0.000265473
Add B with p-value 0.000771946
Add ZN with p-value 0.00465162
resulting features:
['LSTAT', 'RM', 'PTRATIO', 'DIS', 'NOX', 'CHAS', 'B', 'ZN']
На самом деле существует хороший алгоритм, называемый «forward_select», который использует StatsModels и позволяет вам устанавливать свой собственный метрику (AIC, BIC, скорректированный R-квадрат или все, что вам нравится), чтобы постепенно добавлять переменную в модель. Алгоритм можно найти в разделе комментариев этой страницы - прокрутите вниз, и вы увидите его в нижней части страницы.
https://planspace.org/20150423-forward_selection_with_statsmodels/
Я бы добавил, что у алгоритма также есть одна хорошая функция: вы можете применить ее к проблемам классификации или регрессии! Вы просто должны сказать это.
Попробуйте и убедитесь сами.
На самом деле у Sklearn нет алгоритма отбора вперед, подумал Получить запрос С реализацией выбора форвардов в репозитории Scikit-Learn с апреля 2017 года.
В качестве альтернативы, есть вперед и один шаг к обратному отбору в mlxtend. Анкет Вы можете найти его документ в Селектор последовательных функций