使用R語言進行機器學習特征選擇①

特征選擇是實用機器學習的重要一步，一般資料集都帶有太多的特征用于模型建構，如何找出有用特征是值得關注的内容。

使用caret包,使用遞歸特征消除法，rfe參數:x，預測變量的矩陣或資料框,y，輸出結果向量（數值型或因子型）,sizes，用于測試的特定子集大小的整型向量,rfeControl，用于指定預測模型和方法的一系列選項

一些列函數可以用于rfeControl$functions，包括：線性回歸（lmFuncs），随機森林（rfFuncs），樸素貝葉斯(nbFuncs)，bagged trees（treebagFuncs)和可以用于caret的train函數的函數（caretFuncs）。

• 1 移除備援特征,移除高度關聯的特征。

set.seed(1234)
library(mlbench)
library(caret)
data(PimaIndiansDiabetes)
Matrix <- PimaIndiansDiabetes[,1:8]





library(Hmisc)
up_CorMatrix <- function(cor,p) {ut <- upper.tri(cor) 
data.frame(row = rownames(cor)[row(cor)[ut]] ,
           column = rownames(cor)[col(cor)[ut]], 
           cor =(cor)[ut] ) }

res <- rcorr(as.matrix(Matrix))
cor_data <- up_CorMatrix (res$r)
cor_data <- subset(cor_data, cor_data$cor > 0.5)
 cor_data
row column       cor
22 pregnant    age 0.5443412

           

• 2 根據重要性進行特征排序

特征重要性可以通過構模組化型擷取。一些模型，諸如決策樹，内建有特征重要性的擷取機制。另一些模型，每個特征重要性利用ROC曲線分析擷取。下例加載Pima Indians Diabetes資料集，建構一個Learning Vector Quantization（LVQ）模型。varImp用于擷取特征重要性。從圖中可以看出glucose, mass和age是前三個最重要的特征，insulin是最不重要的特征。

# ensure results are repeatable
set.seed(1234)
# load the library
library(mlbench)
library(caret)
# load the dataset
data(PimaIndiansDiabetes)
# prepare training scheme
control <- trainControl(method="repeatedcv", number=10, repeats=3)
# train the model
model <- train(diabetes~., data=PimaIndiansDiabetes, method="lvq", preProcess="scale", trControl=control)
# estimate variable importance
importance <- varImp(model, scale=FALSE)
# summarize importance
print(importance)
# plot importance
plot(importance)

ROC curve variable importance

Importance
glucose      0.7881
mass         0.6876
age          0.6869
pregnant     0.6195
pedigree     0.6062
pressure     0.5865
triceps      0.5536
insulin      0.5379
           

• 3特征選擇

自動特征選擇用于建構不同子集的許多模型，識别哪些特征有助于建構準确模型，哪些特征沒什麼幫助。特征選擇的一個流行的自動方法稱為 遞歸特征消除（Recursive Feature Elimination）或RFE。

下例在Pima Indians Diabetes資料集上提供RFE方法例子。随機森林算法用于每一輪疊代中評估模型的方法。該算法用于探索所有可能的特征子集。從圖中可以看出當使用5個特征時即可擷取與最高性能相差無幾的結果。

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


Recursive feature selection

Outer resampling method: Cross-Validated (10 fold) 

Resampling performance over subset size:

 Variables Accuracy  Kappa AccuracySD KappaSD Selected
         1   0.6926 0.2653    0.04916 0.10925         
         2   0.7343 0.3906    0.04725 0.10847         
         3   0.7356 0.4058    0.05105 0.11126         
         4   0.7513 0.4435    0.04222 0.09472         
         5   0.7604 0.4539    0.05007 0.11691        *
         6   0.7499 0.4364    0.04327 0.09967         
         7   0.7603 0.4574    0.04052 0.09838         
         8   0.7590 0.4549    0.04804 0.10781         

The top 5 variables (out of 5):
   glucose, mass, age, pregnant, insulin