逻辑回归

一、概述

1、逻辑回归是用于分类的回归算法，可做二分类，也可做多酚

2、逻辑回归的sigmoid函数（记住公式和图像）

z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）

3、逻辑回归的优点：对线性关系拟合效果极好；计算速度快；返回不是固定0、1，而是小数形式类概率数字

向量一般写成列向量

逻辑回归

一、概述

1、逻辑回归是用于分类的回归算法

2、逻辑回归的sigmoid函数（记住公式和图像）

z越大g(z)越靠近1，z越小g(z)越靠近0，将任何数据压缩到（0,1）

3、 

向量一般写成列向量

逻辑回归

为线加噪音：

SVD比PCA快得多

一、2个重要参数

1、svd_solver

"auto"：数据量小选full，大则选randomized

"full"：生成完整的矩阵，数据量不大一般选用

"randomized"：适合特征矩阵巨大，计算量大。

"arpack”：适合特征矩阵大，一般用于特征矩阵为稀疏矩阵（每一列为0,1组成，大部分为0）

注：一般选"auto", 算不出来找"randomized"

2、random_state: 

svd_solver为"randomized""arpack”生效，通常选"auto"

二、重要属性components_：提出的值是V(k,n)，表示新特征空间，可视化可以看出提取了什么重要信息，n维压缩到k维

SVD比PCA快得多

一、2个重要参数

1、svd_solver

"auto"：数据量小选full，大则选randomized

"full"：生成完整的矩阵，数据量不大一般选用

"randomized"：适合特征矩阵巨大，计算量大。

"arpack”：适合特征矩阵大，一般用于特征矩阵为稀疏矩阵（每一列为0,1组成，大部分为0）

注：一般选"auto", 算不出来找"randomized"

2、random_state: 

svd_solver为"randomized""arpack”生效

3）按信息量占比选择

n_components=[0,1]之间浮点数，且让参数scd_solver='full'(n_components=0.97,scd_solver='full'选出使保留信息量超过0.97的信息量的特征），比较快可以多用

降维算法

一、维度概述

1、对数组和Series，shape中返回几个数字就是几维，几个方括号就是几维

2、特征矩阵，DataFrame，几个特征就是几维，对应图中几个坐标轴，降维降的是特征数量

二、降维算法decomposition.PCA：主成分分析

1、PCA使用的信息量衡量指标为样本方差，越大，该特征带有信息量越多。

2、降维后找到的每个新特征向量叫“主成分”，新特征没有可读性，属于特征创造。线性回归不适合使用PCA。

3、重要参数

1）n_components：降维后要保留的特征数量，一般选 0-最小维度（特征数和标签数比较小的值） 范围内整数，默认为最小维度。如果需要可视化，取2或3.

2）如何选择n_components？

累积可解释方差贡献率曲线。横坐标：降维后保留的特征个数，纵坐标：累积可解释方差贡献率（选1个特征多少总信息，2个特征多少总信息...）

plt.plot([1,2,3,4],np.cumsum(pca_line.explained_variance_ratio_))

最大似然估计自选超参数。n_components="mle"，计算量大

4、重要属性

1）属性explained_variance：查看降维后每个新特征信息量大小

2）属性explained_variance_ratio：查看降维后每个新特征信息量占原始数据信息量百分比

三、降维算法SVD

降维算法计算量很大

降维算法

一、维度概述

1、对数组和Series，shape中返回几个数字就是几维，几个方括号就是几维

2、特征矩阵，DataFrame，几个特征就是几维，对应图中几个坐标轴，降维降的是特征数量

二、降维算法decomposition.PCA：主成分分析

1、PCA使用的信息量衡量指标为样本方差，越大，该特征带有信息量越多。

2、降维后找到的每个新特征向量叫“主成分”，新特征没有可读性，属于特征创造。线性回归不适合使用PCA。

3、重要参数

三、降维算法SVD

降维算法计算量很大

一、维度概述

1、对数组和Series，shape中返回几个数字就是几维，几个方括号就是几维

2、特征矩阵，DataFrame，几个特征就是几维，降维降的是特征数量

二、降维算法decomposition.PCA：主成分分析

三、降维算法SVD

包装法：

特征选择（专门算法）和训练同时进行，可以与任何有coef_, feature_importances_属性的模型一起使用，计算成本小于嵌入法

• 使用feature_selection.RFE类：迭代选取特征。
• 参数estimator：实例化后的评估器，n_features_to_select：想选的特征数，step：每迭代一次删去的特征数
• 属性.support_：特征是否被选中的不二矩阵，.ranking_：特征重要性排名，前面越重要。（训练后查看属性，不要转化）
• 计算量大，优先使用方差过滤和互信息法；逻辑回归，嵌入法优先；支持向量机，包装法优先；没思路，过滤法开始

嵌入法

1、特征选择与算法训练同时进行，算法自己选择用哪些特征。计算速度与算法相关，可能十分缓慢，大型数据中优先选过滤法或包装法

2、使用模块feature_selection.SelectFromModel，可以与任何有coef_, feature_importances_属性的模型一起使用

3、两个重要属性
1）estimator：模型评估器，模型要先实例化

2）threshold：特征重要性阈值，低于则删除，通过学习曲线确定这个属性的最佳取值

嵌入法

特征选择与算法训练同时进行，算法自己选择用哪些特征。计算速度与算法相关，可能十分缓慢。

feature_selection.SelectFromModel，可以与任何有coef_, feature_importances_属性的模型一起使用

2）相关性过滤

卡方过滤：

• 专门针对分类问题，不能计算负数，chi2(x,y)返回卡方值和p值
• feature_selection.chi2，结合feature_selection.SelectKBest（选出前k分数最高特征）
• 如何选择k值（想保留特征值）？使用p值。p小于0.05或0.01：特征与标签相关。k=(chi_value.shape[0]-(p_value>0.05).sum())#特征数-想删除的特征数

F检验：

• 捕捉特征与标签之间的线性关系，返回F值和P值
• feature_selection.f_classif（F检验分类），feature_selection.f_regression（F检验回归），需要与feature_selection.SelectKBest连用
• F检验在数据服从正态分布时效果好，先把数据转换成正态分布形式
• p小于0.05或0.01：特征与标签显著线性相关

互信息法：

• 捕捉特征与标签任意关系，返回特征与标签之间互信息量的估计，0：独立，1：相关
• feature_selection.mutual_info_classif（互信息分类），feature_selection.mutual_info_regression（互信息回归）

2）相关性过滤

卡方过滤：

• 专门针对分类问题，不能计算负数
• feature_selection.chi2，结合feature_selection.SelectKBest（选出前k分数最高特征）
• chi2(x,y)返回卡方值和p值，
• 如何选择k值（想保留特征值）？使用p值。p小于0.05或0.01：特征与标签相关。k=(chi_value.shape[0]-(p_value>0.05).sum())#特征数-想删除的特征数

F检验

特征选择feature_selection

一、理解数据：根据业务理解选择数据（特征选择之前要与数据提供者沟通）

二、四种选择方法

1、过滤法：根据统计指标过滤，目标是降低计算成本

过滤法主要对象：需要遍历特征或升维的算法（最近邻算法KNN、支持向量机SVM、神经网络、回归算法、单棵决策树）

1）方差过滤：VarianceThreshold模块：

• 优先消除方差为0（每个数据都一样）的特征
• 重要参数threshold：方差阈值，小于删除，默认为0
• 特征是二分类时，方差=p(1-p)，p为其中一特征概率
• 对算法的影响：阈值小-过滤特征少-影响不大；阈值大-过滤特征多-模型可能更好 or 更糟
• 如何选择threshold?一般只使用0或很小的值，再用更优的特征选择方式

2、嵌入法

3、包装法

4、降维算法

特征提取feature extraction

特征创造feature creation

特征选择feature_selection

一、理解数据：根据业务理解选择数据（特征选择之前要与数据提供者沟通）

二、四种选择方法

1、过滤法：根据统计指标过滤

1）方差过滤：VarianceThreshold模块：

• 优先消除方差为0（每个数据都一样）的特征
• 重要参数threshold：方差阈值，小于删除，默认为0

2、嵌入法

3、包装法

4、降维算法

特征提取feature extraction

特征创造feature creation

四、处理连续型特征：二值化与分段

prepscessing.Binarizer二值化，文本数据常见操作

属性threshold：设置阈值，大于阈值1，小于0

prepscessing.KBinsDiscretizer分箱

1、3个参数

1）n_bins：分箱个数，默认5

2）encode：默认"onehot"

"onehot"：一列一类，有该类1，无0

"ordinal"：有几个特征几列，每个特征用数字显示类别

"onehot-dense"不常用

3）strategy：定义箱宽，默认"quantile"

"uniform"：等宽分箱，特征值极差/箱数

"quantile"：等位分箱，每箱样本数相同

"kmeans"：聚类分箱，分类，同类一箱

三、处理分类型特征：编码与哑变量

1、preprocessing.LabelEncoder：把分类转换为分类数值

classes_属性，查看标签中有多少类别

2、preprocessing.OrdinalEncoder：特征编码模块，把分类转换成数字，类别独立

categories_属性，查看每个特征中有多少类别

3、preprocessing.OneHotEncoder：独热编码，特征转换成哑变量，分类有联系

参数categories,='auto'自己找找有几类

接口get_feature_names()：返回稀疏矩阵每一列列的类别

独热编码处理方法：合并表，删除列，改列索引

4、preprocessing.LabelBinarizer标签