《特征选择》PPT课件.ppt

特征选择1.背景数据集的大小可以从两方面衡量:特征的数目n和样本的数目P,n和P可能很大，而n的庞大常会引起维数灾难(Curse of Dimensionality)等问题。特征选择是常用的数据降维方法之一。特征选择是指从原始特征集中选择使某种评估标准最优的特征子集。,最早的特征选择研究是上世纪60年代初开始的，当时的研究主要是集中于统计学及信号处理问题，而且一般涉及到的特征较少，并且通常假定特征之间是独立的。上个世纪90年代以来涌现的大规模机器学习问题，使得已有的算法受到严峻的挑战，迫切需要适应大规模数据的准确性和运行效率等综合性能较好的特征选择算法。特征选择已引起机器学习等领域学者广泛的研究兴趣。,2.特征选择的定义特征选择(Feature Selection)也称特征子集选择(Feature Subset Selection,FSS)，或属性选择(Attribute Selection)，是指从全部特征中选取一个特征子集，使构造出来的模型更好。3.特征选择的目的和方法在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：1)、特征个数越多，分析特征、训练模型所需的时间就越长。2)、特征个数越多，容易引起“维度灾难”，模型也会越复杂，其推广能力会下降。特征选择能剔除不相关或冗余的特征，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了模型，使研究人员易于理解数据产生的过程。,Filter,思路：对每一维的特征打分，即给每一维的特征赋予权重，这样的 权重就代表该维特征的重要性，然后依据权重排序。,主要方法,相关系数,卡方检验,信息增益，互信息,Wrapper,思路：将子集的选择看作是一个搜索寻优的问题，生成不同的 组合，对组合进行评价，再与其他的组合进行比较。这 样 就将子集的选择看作是一个优化问题。,生成特征子集,完全搜索,启发式搜索,随机搜索,Embedded,思路：在模型既定的情况下学习出对提高模型准确性最好的 属性，即在确定模型的过程中，挑选出那些对模型由 重要意义的属性。,主要方法,正则化,决策树,4.特征选择的一般过程特征选择的一般过程可用下图表示。首先从特征全集中产生出一个特征子集，然后用评价函数对该特征子集进行评价，评价的结果与停止准则进行比较，若评价结果比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。选出来的特征子集一般还要验证其有效性。,4.1产生过程产生过程是搜索特征子集的过程。搜索的算法分为完全搜索(Complete)，启发式搜索(Heuristic)，随机搜索(Random)3大类。4.1.1 完全搜索完全搜索分为穷举搜索(Exhaustive)与非穷举搜索(Non-Exhaustive)两类。算法具体包括：广度优先搜索(Breadth First Search)分支限界搜索(Branch and Bound)定向搜索(Beam Search)最优优先搜索(Best First Search),4.1.2 启发式搜索1、序列前向选择 算法描述：特征子集X从空集开始，每次选择一个特征x加入特征子集X，使得特征函数J(X)最优2、序列后向选择 算法描述：从特征全集O开始，每次从特征集O中剔除一个特征x，使得剔除特征x后评价函数值达到最优。3、双向搜索 算法描述：使用序列前向选择(SFS)从空集开始，同时使用序列后向选择(SBS)从全集开始搜索，当两者搜索到一个相同的特征子集C时停止搜索。,4、增L去R选择算法 该算法有两种形式:算法从空集开始，每轮先加入L个特征，然后从中去除R个特征，使得评价函数值最优。(L R)算法从全集开始，每轮先去除R个特征，然后加入L个特征，使得评价函数值最优。(L R)5、序列浮动选择 算法描述：序列浮动选择由增L去R选择算法发展而来，该算法与增L去R选择算法的不同之处在于：序列浮动选择的L与R不是固定的，而是“浮动”的，也就是会变化的。6、决策树 算法描述：在训练样本集上运行C4.5或其他决策树生成算法，待决策树充分生长后，再在树上运行剪枝算法。则最终决策树各分支处的特征就是选出来的特征子集了。,随机搜索随机产生序列选择算法(RGSS,Random Generation plus Sequential Selection)模拟退火算法(SA,Simulated Annealing)遗传算法(GA,Genetic Algorithms),4.2评价函数评价函数的作用是评价产生过程所提供的特征子集的好坏。评价函数根据其工作原理，主要分为筛选器(Filter)、封装器(Wrapper)两大类。筛选器通过分析特征子集内部的特点来衡量其好坏。封装器实质上是一个分类器，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。筛选器和封装器是两种互补的模式，两者可以结合。混合特征选择过程一般可以由两个阶段组成，首先使用筛选器初步剔除大部分无关或噪声特征，只保留少量特征。第二阶段将剩余的特征连同样本数据作为输入参数传递给封装器，以进一步优化选择重要的特征。,常见评价函数(1)相关性(Correlation)运用相关性来度量特征子集的好坏是基于这样一个假设：好的特征子集所包含的特征应该是与分类的相关度较高（相关度高），而特征之间相关度较低的（亢余度低）。可以使用线性相关系数(correlation coefficient)来衡量向量之间线性相关度。,(2)距离(Distance Metrics)运用距离度量进行特征选择是基于这样的假设：好的特征子集应该使得属于同一类的样本距离尽可能小，属于不同类的样本之间的距离尽可能远。(3)信息度量信息度量通常采用信息增益或互信息衡量。信息增益定义为先验不确定性与期房的后验不确定性之间的差异，它能有效地选出关键特征，剔除无关特征。互信息描述两个随机变量之间相互依存关系的强弱,(4)一致性(Consistency)若样本1与样本2属于不同的分类，但在特征A、B上的取值完全一样，那么特征子集A，B不应该选作最终的特征集。(5)分类器错误率(Classifier error rate)使用特定的分类器，用给定的特征子集对样本集进行分类，用分类的精度来衡量特征子集的好坏,5.发展与展望特征选择得到广泛研究并应用于Web文档处理(文本分类、文本检索、文本恢复）基因分析、药物诊断等领域。现在的社会是信息爆炸的社会，越来越多、形式多样的数据出现在我们面前，比如基因数据、数据流，如何设计出更好的特征选择算法来满足社会的需求，是一个长期的任务，特征选择算法的研究在未来的一段时间仍将是机器学习等领域的研究热点问题之一。目前研究热点及趋势主要集中于以下方面:1)特征与样本选择的组合研究。不同的样本集合区域，也许应该选择不同的特征选择算法。2)特征及其与目标(分类、回归、聚类等)的相关性受到越来越多的重视。3)将过滤和封装方法结合，根据特定的环境选出所需要的度量准则和分类器。4)采用启发式搜索策略的封装方法进行特征选择。,