一次失败的kaggle比赛（2）：构造新特征、特征筛选

第一篇中提到的主要问题：

第一：暴力搜索特征的方式在特征数较多的情况下不可取；较少的情况下可以考虑（<200）

第二：sklearn中的这几个模型，ExtraTreesClassifier效果最差，RandomForestClassifier效果较好且速度比较快，GradientBoostingClassifier结果最好但速度非常慢（因为不能并行）

第三：当某一个模型（GradientBoostingClassifier）比其他模型效果好很多时，不要使用blending的方法（尤其是特征空间一样，分类器类似的情况，比如这里的五个分类器都在同一组特征上建模，而且都是基于树的分类器），因为blending往往会使整体效果低于单独使用最好的一个模型

第四：对于AUC，实际上关心的是样本间的排名，而不是具体数值的大小，所以结果没必要做归一化处理；关于这个结论，自行搜索资料理解

这篇解决第一个问题：特征选取。

常见的【特征筛选方法】包括：

1）第一篇中介绍的暴力搜索（其实是一种【前向】贪心搜索，greedyADD），适合特征数较少的情况（<200）

2）另一种暴力搜索（其实是一种【后向】贪心搜索，greedyElimination），适合特征数较少的情况（<200）

代码与第一篇类似，不过可以使用sklearn中的工具：

[python] view plain copy

 

1. selectorRFECV=feature_selection.RFECV(estimator=model, step=1, cv=5, scoring='roc_auc')  
2. selectorRFECV.fit(trainX, trainY) #take me three days(24*2+12 hours) to fit the selector  
3. joblib.dump(selectorRFECV, 'modelPersistence/selectorRFECV.pkl')  
4. #selectorRFECV=joblib.load('modelPersistence/selectorRFECV.pkl')   
5. print selectorRFECV.n_features_ #144  
6. print selectorRFECV.support_  

3）根据树的featureImportance选择特征，适合特征数较多的情况

4）根据特征与label之间的皮尔曼相关系数（或其他指标）筛选特征

[python] view plain copy

 

1. corr=stats.pearsonr(data[:,feaI]+data[:,feaJ], label)  
2. print abs(corr[0])  
3. if abs(corr[0])<eps:  
4.     continue  
5. else:  
6.     feaPairCorr=(feaI, feaJ, corr[0])  
7.     feaPairCorrList.append(feaPairCorr)  

常见的【新特征】构造方法包括：

1）构造多项式特征（一般为二项式，最多三项式），本质是特征间的乘法运算

2）构造线性组合特征，比如fea1+fea2、fea1-fea2等

3）构造其他特征，比如(fea1+fea2)*fea3等

4）先使用PCA、在使用上面的三种方法，该方法适合原始特征比较稀疏的情况，因为对于多数entry是0的情况，上面的三种方法基本不怎么起作用（想一想为什么？？？），而有了PCA，就能把矩阵变稠密了

5）其他一些方法，比如NMF（Non-negative matrix factorization）

这些方法的代码实现非常简单，就不贴了，否则显得水平搓。。。