递归特征添加#
- class feature_engine.selection.RecursiveFeatureAddition(estimator, scoring='roc_auc', cv=3, groups=None, threshold=0.01, variables=None, confirm_variables=False)[源代码][源代码]#
RecursiveFeatureAddition() 通过递归添加过程选择特征。
流程如下：
使用所有特征训练一个估计器。
根据估计器得出的重要性对特征进行排序。
用最重要的特征训练一个估计器并确定其性能。
添加第二重要的功能并训练一个新的估计器。
计算估计器之间的性能差异。
如果性能提升超过阈值，则保留该功能。
重复步骤4-6，直到所有功能都被评估。
模型训练和性能计算通过交叉验证完成。
更多详情请参阅 用户指南。
- 参数
- 估计器: 对象
一个用于回归或分类的 Scikit-learn 估计器。估计器在拟合后必须具有
feature_importances或coef_属性。- 变量: str 或 list, 默认=None
要评估的变量列表。如果为 None，转换器将评估数据集中所有数值特征。
- scoring: str, default=’roc_auc’
用于评估估计器性能的指标。来自
sklearn.metrics。更多选项请参阅模型评估文档：https://scikit-learn.org/stable/modules/model_evaluation.html- threshold: float, int, default = 0.01
定义特征是否被选择的值。请注意，对于像 roc-auc、r2 和准确率这样的指标，阈值将是一个介于 0 和 1 之间的浮点数。对于像均方误差和均方根误差这样的指标，阈值可以是任何数值。阈值必须由用户定义。阈值越大，选择的特征越少。
- cv: int, 交叉验证生成器或可迭代对象, 默认=3
确定交叉验证的分割策略。cv 的可能输入包括：
None，使用 cross_validate 的默认 5 折交叉验证
int，用于指定 (Stratified)KFold 中的折数。
CV 分割器: (https://scikit-learn.org/stable/glossary.html#term-CV-splitter)
一个生成 (训练, 测试) 分割的迭代器，作为索引数组。
对于int/None输入，如果估计器是分类器且y是二分类或多分类，则使用StratifiedKFold。在所有其他情况下，使用KFold。这些分割器以`shuffle=False`实例化，因此分割将在多次调用中保持一致。更多详情请查看Scikit-learn的`cross_validate`文档。
- groups: 形状为 (n_样本,) 的类数组, 默认=None
在将数据集划分为训练/测试集时使用的样本的组标签。仅在与“Group” cv 实例（例如，GroupKFold）结合使用时使用。
- confirm_variables: bool, default=False
如果设置为 True，输入数据框中不存在的变量将从变量列表中移除。仅在使用变量列表传递给参数
variables时使用。有关更多详细信息，请参见参数 variables。
- 属性
- initial_model_performance_:
使用原始数据集训练时模型的性能。
- feature_importances_:
包含特征重要性的 Pandas Series（来自步骤2）
- feature_importances_std_:
具有特征重要性标准差的 Pandas Series。
- 性能漂移_
包含每个检查特征的性能漂移的字典（来自步骤5）。
- performance_drifts_std_:
包含所检查特征性能漂移标准偏差的字典（来自步骤5）。
- features_to_drop_：
列出将被移除的功能。
- 变量_
特征选择过程中将考虑的变量。
- feature_names_in_:
列出在
fit过程中看到的特征名称。- n_features_in_:
在拟合中使用的训练集中的特征数量。
示例
>>> import pandas as pd >>> from sklearn.ensemble import RandomForestClassifier >>> from feature_engine.selection import RecursiveFeatureAddition >>> X = pd.DataFrame(dict(x1 = [1000,2000,1000,1000,2000,3000], >>> x2 = [2,4,3,1,2,2], >>> x3 = [1,1,1,0,0,0], >>> x4 = [1,2,1,1,0,1], >>> x5 = [1,1,1,1,1,1])) >>> y = pd.Series([1,0,0,1,1,0]) >>> rfa = RecursiveFeatureAddition(RandomForestClassifier(random_state=42), cv=2) >>> rfa.fit_transform(X, y) x2 x4 0 2 1 1 4 2 2 3 1 3 1 1 4 2 0 5 2 1
方法
拟合：
找到重要的功能。
fit_transform:
拟合数据，然后进行转换。
get_feature_names_out:
获取转换后的输出特征名称。
get_params:
获取此估计器的参数。
设置参数:
设置此估计器的参数。
获取支持：
获取所选特征的掩码或整数索引。
变换:
将 X 减少到选定的特征。
- fit(X, y)[源代码][源代码]#
找到重要的特征。注意，选择器在每一轮选择中训练多种模型，因此可能需要一些时间。
- 参数
- X: pandas 数据框，形状为 = [样本数, 特征数]
输入数据框
- y: 形状为 (n_samples) 的类数组对象
目标变量。训练估计器时必需。
- fit_transform(X, y=None, **fit_params)[源代码]#
拟合数据，然后进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数
- X类似数组的形状 (n_samples, n_features)
输入样本。
- y类数组的形状为 (n_samples,) 或 (n_samples, n_outputs)，默认=None
目标值（无监督转换为None）。
- **拟合参数dict
附加拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回
- 路由MetadataRequest
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数
- 深度bool, 默认=True
如果为真，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回
- 参数dict
参数名称映射到它们的值。
- get_support(indices=False)[源代码]#
获取所选特征的掩码或整数索引。
- 参数
- 索引bool, 默认=False
如果为真，返回值将是一个整数数组，而不是布尔掩码。
- 返回
- 支持数组
一个从特征向量中选择保留特征的索引。如果
indices为 False，这是一个形状为 [# 输入特征] 的布尔数组，其中元素为 True 表示其对应的特征被选择保留。如果indices为 True，这是一个形状为 [# 输出特征] 的整数数组，其值为输入特征向量中的索引。