使用scikit学习功能选择

Question

我是机器学习的新手。我正在准备使用Scikit Learn SVM进行分类的数据。为了选择最好的功能，我使用了以下方法：

SelectKBest(chi2, k=10).fit_transform(A1, A2)

由于我的数据集由负值组成，我得到以下错误：

ValueError                                Traceback (most recent call last)
/media/5804B87404B856AA/TFM_UC3M/test2_v.py in <module>()
----> 1 
      2 
      3 
      4 
      5 
/usr/local/lib/python2.6/dist-packages/sklearn/base.pyc in fit_transform(self, X, y,     **fit_params)
    427         else:
    428             # fit method of arity 2 (supervised transformation)
--> 429             return self.fit(X, y, **fit_params).transform(X)
    430 
    431 
/usr/local/lib/python2.6/dist-packages/sklearn/feature_selection/univariate_selection.pyc in fit(self, X, y)
    300         self._check_params(X, y)
    301 
--> 302         self.scores_, self.pvalues_ = self.score_func(X, y)
    303         self.scores_ = np.asarray(self.scores_)
    304         self.pvalues_ = np.asarray(self.pvalues_)
/usr/local/lib/python2.6/dist-  packages/sklearn/feature_selection/univariate_selection.pyc in chi2(X, y)
    190     X = atleast2d_or_csr(X)
    191     if np.any((X.data if issparse(X) else X) < 0):
--> 192         raise ValueError("Input X must be non-negative.")
    193 
    194     Y = LabelBinarizer().fit_transform(y)
ValueError: Input X must be non-negative.

有人能告诉我如何转换数据吗？

Answer 1

错误消息Input X must be non-negative说明了一切：Pearson卡方检验（拟合优度）不适用于负值。这是合乎逻辑的，因为卡方检验假设频率分布，频率不可能是负数。因此，sklearn.feature_selection.chi2断言输入是非负的。

你说你的特征是"加速度计信号的最小值、最大值、平均值、中值和FFT"。在许多情况下，简单地移动每个特征以使其全部为正，或者甚至如EdChum所建议的标准化为[0, 1]区间，可能是非常安全的。

如果由于某些原因无法进行数据转换（例如负值是一个重要因素），您应该选择另一个统计数据来对您的功能进行评分：

• sklearn.feature_selection.f_classif计算方差分析f值
• sklearn.feature_selection.mutual_info_classif计算互信息

由于这个过程的全部目的是为另一种方法准备功能，所以挑选任何人都没什么大不了的，最终结果通常相同或非常接近。

Answer 2

正如其他人提到的那样，为了避免错误，您可以将数据缩放到0到1之间，从缩放的数据中选择特征，并使用它来训练模型。

import numpy as np
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
X, y = make_classification(random_state=0)
topk = 5
# scale the data to be between 0 and 1
sc = MinMaxScaler()
X_sc = sc.fit_transform(X)
# select from the scaled data
skb = SelectKBest(chi2, k=topk)
X_sc_selected = skb.fit_transform(X_sc, y)
# build model using (X_sc_selected, y)
lr = LogisticRegression(random_state=0)
lr.fit(X_sc_selected, y)
lr.score(X_sc_selected, y)  # 0.87

如果原始数据非常重要（您希望保留负值），您也可以使用SelectKBest中的前k个分数来选择数据，即不使用transform对数据进行切片。

# fit feature selector with the scaled data
skb = SelectKBest(chi2, k=topk)
skb.fit(X_sc, y)
# column index of top-k features
cols = np.sort(skb.scores_.argsort()[-topk:])
# index the top-k features from X
X_selected = X[:, cols]
# build model using (X_selected, y)
lr = LogisticRegression(random_state=0)
lr.fit(X_selected, y)
lr.score(X_selected, y)  # 0.92

请注意，skb.transform()实际上也类似于对列进行索引。例如，(X_sc[:, cols] == X_sc_selected).all()返回True。