标签：协助 关联 boost 关联性 wrap for 筛选 ext 包括
首先看一下维基百科中关于特征选择的介绍：
在机器学习和统计学中，特征选择 也被称为变量选择、属性选择 或变量子集选择 。它是指：为了构建模型而选择相关特征（即属性、指标）子集的过程。
在机器学习中，每个特征对于目标类别的影响并不相同，所以需要从特征集中挑选出一组最具统计意义的特征子集，把其他无用数据删掉，达到降维的目的。
特征选择的目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant )的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。
常用的特征选择方法分为过滤法(Filter)、包装法(Wrapper)和集成法(Embedded)
下面有个清晰的特征工程的思维导图：
图片源自（http://www.csuldw.com/2015/10/24/2015-10-24%20feature%20engineering/）
按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征
使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。默认设置下，它将移除所有方差为0的特征，即那些在所有样本中数值完全相同的特征。
使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的P值。
经典的卡方检验是检验定性自变量对定性因变量的相关性。
经典的互信息也是评价定性自变量对定性因变量的相关性的
上面提到的这种特征子集选择的方法属于filter（刷选器）方法，它主要侧重于单个特征跟目标变量的相关性。优点是计算时间上较高效,对于过拟合问题也具有较高的鲁棒性。缺点就是倾向于选择冗余的特征,因为他们不考虑特征之间的相关性,有可能某一个特征的分类能力很差，但是它和某些其它特征组合起来会得到不错的效果。
根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。有逐步回归（Stepwise regression）、向前选择（Forward selection）和向后选择（Backward selection）
递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练
封装器用选取的特征子集对样本集进行分类，分类的精度作为衡量特征子集好坏的标准,经过比较选出最好的特征子集。常用的有逐步回归（Stepwise regression）、向前选择（Forward selection）和向后选择（Backward selection）。它的优点是考虑了特征与特征之间的关联性，缺点是：当观测数据较少时容易过拟合，而当特征数量较多时,计算时间又会增长。
集成法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。Regularization，或者使用决策树思想，Random Forest和Gradient boosting等
使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。
树模型中GBDT也可用来作为基模型进行特征选择
对特征的有效性进行分析，得到各个特征的特征权重，根据是否与模型有关可以分为1.与模型相关特征权重，使用所有的特征数据训练出来模型，看在模型中各个特征的权重，由于需要训练出模型，模型相关的权重与此次学习所用的模型比较相关。不同的模型有不同的模型权重衡量方法。例如线性模型中，特征的权重系数等。2.与模型无关特征权重。主要分析特征与label的相关性，这样的分析是与这次学习所使用的模型无关的。与模型无关特征权重分析方法包括(1)交叉熵，(2)Information Gain，(3)Odds ratio，(4)互信息，(5)KL散度等
本文是自己在学习过程中，阅读博客整理而来，大部分是直接摘取自他人内容，如有侵权，请告知删除，有些引用内容有所遗漏，没有注明，请告知。
http://www.csuldw.com/2015/10/24/2015-10-24%20feature%20engineering/
标签：协助 关联 boost 关联性 wrap for 筛选 ext 包括
原文地址：http://blog.csdn.net/lilu_leo/article/details/65935048
