【机器学习笔记 Ⅲ】4 特征选择-EW帮帮网

特征选择（Feature Selection）系统指南

特征选择是机器学习中优化模型性能的关键步骤，通过筛选最相关、信息量最大的特征，提高模型精度、降低过拟合风险并加速训练。以下是完整的特征选择方法论：

1. 特征选择的核心目标

提升模型性能：去除噪声和冗余特征，增强泛化能力。
降低计算成本：减少训练和预测时间。
增强可解释性：简化模型，便于业务理解。

2. 特征选择方法分类

(1) 过滤法（Filter Methods）

原理：基于统计指标评估特征与目标的相关性，独立于模型。
优点：计算高效，适合高维数据。
常用技术：

数值特征：

皮尔逊相关系数（线性关系）：

import pandas as pd
corr = df.corr()['target'].abs().sort_values(ascending=False)

互信息（非线性关系）：

from sklearn.feature_selection import mutual_info_classif
mi = mutual_info_classif(X, y)

分类特征：

卡方检验（Chi-Square）：

from sklearn.feature_selection import chi2
chi2_scores, _ = chi2(X, y)

ANOVA F值（方差分析）：

from sklearn.feature_selection import f_classif
f_scores, _ = f_classif(X, y)

筛选阈值示例：

selected_features = corr[corr > 0.3].index.tolist()

(2) 包裹法（Wrapper Methods）

原理：通过模型性能迭代选择特征子集。
优点：考虑特征交互，效果通常更好。
常用技术：

递归特征消除（RFE）：

from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
rfe = RFE(estimator=LogisticRegression(), n_features_to_select=10)
rfe.fit(X, y)
selected_features = X.columns[rfe.support_]

顺序特征选择（SFS）：

from mlxtend.feature_selection import SequentialFeatureSelector
sfs = SequentialFeatureSelector(estimator=RandomForestClassifier(),
                               k_features=10,
                               forward=True)  # 前向或后向选择
sfs.fit(X, y)

(3) 嵌入法（Embedded Methods）

原理：模型训练过程中自动选择特征。
优点：平衡效率与效果。
常用技术：

L1正则化（Lasso）：

from sklearn.linear_model import Lasso
lasso = Lasso(alpha=0.1).fit(X, y)
selected_features = X.columns[lasso.coef_ != 0]

树模型特征重要性：

from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier().fit(X, y)
importance = rf.feature_importances_
selected_features = X.columns[importance > np.mean(importance)]

3. 高级技术与自动化工具

(1) 特征重要性可视化

import matplotlib.pyplot as plt
plt.barh(X.columns, rf.feature_importances_)
plt.title("Feature Importance")
plt.show()

特征重要性

(2) 自动化特征选择库

Feature-engine：

from feature_engine.selection import DropCorrelatedFeatures
selector = DropCorrelatedFeatures(threshold=0.8)
X_train = selector.fit_transform(X_train)

Boruta（基于阴影特征）：

from boruta import BorutaPy
boruta = BorutaPy(estimator=RandomForestClassifier(), n_estimators='auto', verbose=2)
boruta.fit(X.values, y.values)
selected_features = X.columns[boruta.support_]

4. 领域驱动的特征选择

业务知识优先：例如金融风控中，人工筛选与欺诈强相关的特征（如交易频率、金额突增）。
特征工程结合：
- 创建衍生特征（如“最近7天登录次数”）。
- 分箱处理（将连续年龄分为“青年/中年/老年”）。

5. 验证与迭代

交叉验证评估：对比特征选择前后的模型性能（如AUC、F1）。

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X_selected, y, cv=5, scoring='roc_auc')

稳定性检查：多次运行特征选择，观察高频被选中的特征。

6. 常见陷阱与解决方案

问题	解决方案
数据泄漏	仅在训练集上计算统计量，避免使用测试集信息
高基数分类特征	使用目标编码或嵌入表示
特征间多重共线性	移除相关系数>0.8的特征或使用PCA降维

7. 总结与最佳实践

流程建议：
- 先过滤法快速降维 → 嵌入法优化 → 包裹法精细调优（计算资源允许时）。
关键原则：
- 少而精：优先选择10-20个高价值特征。
- 可解释性：确保业务方理解最终特征。
工具链：

通过系统化的特征选择，可显著提升模型效率与效果。实际应用中需结合数据特性和业务需求灵活调整方法。

【机器学习笔记 Ⅲ】4 特征选择