Feature Engineering for Data Mining

重要性：

特征工程是比赛中重要的一部分，调参带来的效益往往是有限的，特征工程选取的好坏决定最终的结果。

必要性：

特征工程是和模型结合在一起的，其能更好地表示潜在问题的特征，从而提高机器学习的性能。

特征工程是很低的，容易入门，但是若想精通就需要花费较大的功夫了，正所谓师傅领进门，修行靠个人。

目标：

学习特征工程我们的目的是：对于特征进行进一步分析，并对于数据进行处理。

内容：

本文我将从以下几点介绍我认识的特征工程

异常处理；
特征归一化/标准化；
数据分桶；
缺失值处理；
特征构造；
特征筛选；
降维。

异常处理

通常有以下几种方法

通过箱线图（或 3-Sigma）分析删除异常值；
BOX-COX 转换（处理有偏分布）；
长尾截断；

异常值处理：

通过箱线图，分析并删去异常值

上四分位数Q3 是指数据从小到大排列，取其3/4处位置的分位数
下四分位数Q1 是指数据从小到大排列，取其1/4处位置的分位数
IQR = Q3-Q1指的是四分位距，即上四分位数和下四分位数的差值

# 给出一个数据异常值处理的函数
def outliers_proc(data, col_name, scale=3):
    """
    用于清洗异常值，默认用 box_plot（scale=3）进行清洗
    :param data: 接收 pandas 数据格式
    :param col_name: pandas 列名
    :param scale: 尺度
    :return:
    """

    def box_plot_outliers(data_ser, box_scale):
        """
        利用箱线图去除异常值
        :param data_ser: 接收 pandas.Series 数据格式
        :param box_scale: 箱线图尺度，
        :return:
        """
        iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
        val_low = data_ser.quantile(0.25) - iqr
        val_up = data_ser.quantile(0.75) + iqr
        rule_low = (data_ser < val_low)
        rule_up = (data_ser > val_up)
        return (rule_low, rule_up), (val_low, val_up)

    data_n = data.copy()
    data_series = data_n[col_name]
    rule, value = box_plot_outliers(data_series, box_scale=scale)
    index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
    print("Delete number is: {}".format(len(index)))
    data_n = data_n.drop(index)
    data_n.reset_index(drop=True, inplace=True)
    print("Now column number is: {}".format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0])[rule[0]]
    outliers = data_series.iloc[index_low]
    print("Description of data less than the lower bound is:")
    print(pd.Series(outliers).describe())
    index_up = np.arange(data_series.shape[0])[rule[1]]
    outliers = data_series.iloc[index_up]
    print("Description of data larger than the upper bound is:")
    print(pd.Series(outliers).describe())
    
    fig, ax = plt.subplots(1, 2, figsize=(10, 7))
    sns.boxplot(y=data[col_name], data=data, palette="Set1", ax=ax[0])
    sns.boxplot(y=data_n[col_name], data=data_n, palette="Set1", ax=ax[1])
    return data_n

返回..

BOX-COX 转换（处理有偏分布）

将数据转化为正态分布

我们都知道 log 变换可以使数据在一定程度上符合正态分布，特别是有尾数据分布。

但是…采用这种方法，

较小数据之间的差异将会变大(因为对数函数的斜率很小)，而较大数据之间的差异将减少(可能某分布中较大数据的斜率很小)。
如果你拓展了左尾的差异，减少了右尾的差异，结果将是方差恒定、形状对称的正态分布(无论均值大小如何)。

参见【Reference】：使用Box-Cox转换的益处、BoxCox 变换方法及其实现运用

返回..

长尾截断

对于连续型数值特征，有时精度太高可能只是噪声，并不具备太多的信息，也使得特征维度急剧上升。因此可以保留一定的精度，之后当作类别特征进行处理。对于长尾的数据，可以先进行对数缩放，再进行精度截断，之后可以当做类别变量做二值化处理。

在这里插入图片描述

特征归一化 / 标准化

思想：

标准化（转换为标准正态分布）；
归一化（映射到 [0,1] 区间）； - Sigmoid 函数
针对幂律分布，可以采用公式：$log( \frac{1+x}{1+median})$

算法：

Z-score
min-max
行归一化

特征尺度不一致需要标准化，以下算法会受尺度影响

KNN，依赖距离
K-meas
逻辑回归，支持向量机，神经网络等如果使用梯度下降来学习权重；
主成分分析，特征向量偏向于较大的列

在机器学习 Pipeline 中使用归一化

数据分桶

为什么要做数据分桶呢？

离散后稀疏向量内积乘法运算速度更快，计算结果也方便存储，容易扩展；
离散后的特征对异常值更具鲁棒性，如 age>30 为 1 否则为 0，对于年龄为 200 的也不会对模型造成很大的干扰；
LR 属于广义线性模型，表达能力有限，经过离散化后，每个变量有单独的权重，这相当于引入了非线性，能够提升模型的表达能力，加大拟合；
离散后特征可以进行特征交叉，提升表达能力，由 M+N 个变量编程 M*N 个变量，进一步引入非线形，提升了表达能力；
特征离散后模型更稳定，如用户年龄区间，不会因为用户年龄长了一岁就变化
e.t.c 当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性

等频分桶；
等距分桶；
Best-KS 分桶（类似利用基尼指数进行二分类）；
卡方分桶；

参见【Reference】：浅谈微视推荐系统中的特征工程

缺失值处理

不处理（针对类似 XGBoost 等树模型）；
删除（缺失数据太多）；
插值补全，包括均值/中位数/众数/建模预测/多重插补/压缩感知补全/矩阵补全等；
分箱，缺失值一个箱；

在这里插入图片描述

参见【Reference】：机器学习中如何处理缺失数据？、数据缺失值的4种处理方法

特征构造

构造统计量特征，报告计数、求和、比例、标准差等；
时间特征，包括相对时间和绝对时间，节假日，双休日等；
地理信息，包括分箱，分布编码等方法；
非线性变换，包括 log/ 平方/ 根号等；
特征组合，特征交叉；

训练集和测试集放在一起，方便构造特征【contact】

1
2
3

Train_data['train']=1
Test_data['train']=0
data = pd.concat([Train_data, Test_data], ignore_index=True)

检查空数据

可以选择删除也可以留下

删除缺失数据占总样本量过大，不建议删去；
当要交到xgboost模型中处理时，不必要。

特征的构造视模型数量而定

不同模型对数据集的要求不同，需要分开构造

特征归一化 / 标准化和数据分桶通常体现在特征构造的过程中

特征筛选

过滤式（filter）：先对数据进行特征选择，然后在训练学习器，常见的方法有 Relief / 方差选择法 / 相关系数法 / 卡方检验法 / 互信息法；
包裹式（wrapper）：直接把最终将要使用的学习器的性能作为特征子集的评价准则，常见方法有 LVM（Las Vegas Wrapper）；
嵌入式（embedding）：结合过滤式和包裹式，学习器训练过程中自动进行了特征选择，常见的有 lasso 回归；

参见【Reference】：如何进行特征选择（理论篇）

降维

采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中

降维本质上即是学习一个映射函数 $f : x->y$【其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）】

$f$ 可能是显式的或隐式的、线性的或非线性的

目的：

减少冗余信息所造成的误差,提高识别（或其他应用）的精度；
希望通过降维算法来寻找数据内部的本质结构特征

方法：

PCA / LDA / ICA；
特征选择也是一种降维。

参见【Reference】:机器学习四大降维方法