今天来说个机器学习分类的图，最近文章常出现的：特征选择曲线图（Feature Selection Curve）。
一、何为特征选择曲线图
特征选择曲线图主要用于展示随着纳入模型的特征数量增加，模型性能（如 AUC、准确率等）的变化情况。
二、有何用
（1）评估特征重要性：通过观察曲线，可以判断哪些特征对模型性能的提升贡献最大。例如，当纳入前几个重要特征时，模型性能显著提升，说明这些特征对模型的预测能力至关重要。
（2）确定最优特征数量：图中通常会显示一个“拐点”，即增加更多特征后，模型性能的提升趋于平缓甚至下降。这个拐点可以帮助确定最优的特征数量，避免过拟合或引入冗余特征。
（3）比较训练集和验证集性能：通过同时绘制训练集和验证集的性能曲线，可以判断模型是否存在过拟合：
（a）如果训练集性能持续提升，而验证集性能在某个点后开始下降，说明模型可能过拟合。
（b）如果两条曲线趋势一致，说明模型泛化能力较好。
（4）指导特征选择：通过分析曲线，可以选择一个既能保证模型性能，又能减少特征数量的方案，从而简化模型并提高计算效率。
三、R语言代码，以Xgboost为例：
# Load necessary libraries
library(caret)
library(pROC)
library(ggplot2)
library(xgboost)
# Assume 'data' is your dataframe containing the data
# Set seed to ensure reproducibility
set.seed(123)
# Split data into training and validation sets (80% training, 20% validation)
trainIndex <- createDataPartition(data$X, p = 0.8, list = FALSE)
trainData <- data[trainIndex, ]
validData <- data[-trainIndex, ]
# Prepare matrices for XGBoost
dtrain <- xgb.DMatrix(data = as.matrix(trainData[, -which(names(trainData) == "X")]), label = trainData$X)
dvalid <- xgb.DMatrix(data = as.matrix(validData[, -which(names(validData) == "X")]), label = validData$X)
# Define parameters for XGBoost
params <- list(booster = "gbtree",
objective = "binary:logistic",
eta = 0.1,
gamma = 0,
max_depth = 6,
min_child_weight = 1,
subsample = 0.5,
colsample_bytree = 0.9,
lambda = 10,
alpha = 5)
# Train the XGBoost model
model <- xgb.train(params = params, data = dtrain, nrounds = 250, watchlist = list(eval = dtrain), verbose = 1)
# Get feature importance
importance_matrix <- xgb.importance(feature_names = colnames(trainData[, -which(names(trainData) == "X")]), model = model)
print(importance_matrix)
# Initialize vectors to store AUC values
train_auc <- numeric(nrow(importance_matrix))
valid_auc <- numeric(nrow(importance_matrix))
# Loop through the number of features
for (i in 1:nrow(importance_matrix)) {
# Select top i features
selected_features <- importance_matrix$Feature[1:i]
# Prepare matrices with selected features
dtrain_selected <- xgb.DMatrix(data = as.matrix(trainData[, selected_features]), label = trainData$X)
dvalid_selected <- xgb.DMatrix(data = as.matrix(validData[, selected_features]), label = validData$X)
# Train the model with selected features
model_selected <- xgb.train(params = params, data = dtrain_selected, nrounds = 250, watchlist = list(eval = dtrain_selected), verbose = 0)
# Predict on training and validation sets
trainPredict <- predict(model_selected, dtrain_selected)
validPredict <- predict(model_selected, dvalid_selected)
# Calculate AUC
train_roc <- roc(response = as.numeric(trainData$X) - 1, predictor = trainPredict)
valid_roc <- roc(response = as.numeric(validData$X) - 1, predictor = validPredict)
# Store AUC values
train_auc[i] <- auc(train_roc)
valid_auc[i] <- auc(valid_roc)
}
# Create a dataframe for plotting
auc_data <- data.frame(
num_features = 1:nrow(importance_matrix),
train_auc = train_auc,
valid_auc = valid_auc
)
# Plot AUC values for training and validation sets
ggplot(auc_data, aes(x = num_features)) +
geom_line(aes(y = train_auc, color = "Training AUC")) +
geom_line(aes(y = valid_auc, color = "Validation AUC")) +
labs(title = "AUC vs Number of Features",
x = "Number of Features",
y = "AUC",
color = "Legend") +
theme_minimal() +
scale_color_manual(values = c("Training AUC" = "blue", "Validation AUC" = "red"))看图：
示例解读
图表显示：
当特征数量为 5 时，验证集 AUC 达到峰值（例如 0.85），之后趋于平缓。训练集 AUC 在特征数量为 5 时为 0.88，之后继续上升。
结论：
最优特征数量为 5，因为此时验证集 AUC 达到最高值。增加更多特征可能导致过拟合（训练集 AUC 继续上升，而验证集 AUC 不再提升）。