调参和特征工程,哪个先行?
Parameter tuning and feature engineering, which one should be first?
我正在尝试训练 SVM 分类器,但我对机器学习还很陌生。我知道这里有两个步骤:参数调整和特征工程,但哪个先进行呢?好像this回答建议先做特征工程,对吗?如果是对的,我是不是随机挑一组SVM参数做特征工程?
您必须先执行功能 engineering/feature 选择。在调整值之前,您必须知道将使用哪些变量。
至于如何进行特征选择,那是另外一个问题。您可以使用诸如 Principal Component Analysis, Singular Value Decomposition 或许多其他技术。这是一个活跃的研究领域,如果您只搜索 Google,您会发现很多描述各种技术的论文。
This 是我最近阅读的一篇论文,它使用基于熵的技术进行特征选择。
SVM(和大多数其他 ML 方法)接受二维数字特征矩阵形式的输入,因此您必须将数据转换为该格式才能使用 SVM。因此,虽然您想在参数调整之前进行 一些 特征工程以确认您的管道按照您认为的方式工作,但您不一定需要将两者完全分开。
如果您使用自动化或参数化特征工程方法,那么该方法可以成为超参数调整过程的一部分。
一种方法是使用 Featuretools, an open-source automated feature engineering library in Python in conjunction with a machine-learning library like Scikit-Learn。
这是一个使用 Featuretools 中的演示数据集的管道,它在同一步骤中进行超参数调整和特征工程:
import featuretools as ft
from featuretools.primitives import (Sum, Max, Mean, Min,
Percentile, Day, Weekend, Weekday)
from featuretools.selection import remove_low_information_features
from itertools import combinations
from sklearn.metrics import f1_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler, Imputer
retail_data = ft.demo.load_retail(nrows=1000)
# predict each customer's country
labels = LabelEncoder().fit_transform(retail_data['customers'].df['Country'])
def score_pipeline(max_depth, agg_primitives, trans_primitives, C):
feature_matrix, feature_defs = ft.dfs(entityset=retail_data,
target_entity='customers',
ignore_variables={'customers': ['Country']},
max_depth=max_depth,
agg_primitives=agg_primitives,
trans_primitives=trans_primitives,
verbose=True)
# one-hot encode to transform to numeric
feature_matrix, feature_defs = ft.encode_features(feature_matrix, feature_defs)
# remove feature with all nans or all single value
feature_matrix, feature_defs = remove_low_information_features(feature_matrix, feature_defs)
# impute missing values
imputer = Imputer(missing_values='NaN', strategy='mean', axis=0)
feature_matrix = imputer.fit_transform(feature_matrix)
model = SVC(C=C, verbose=True)
X_train, X_test, y_train, y_test = train_test_split(feature_matrix,
labels, test_size=0.1)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
return f1_score(y_test, predictions, average='macro')
poss_agg_primitives = [Sum, Max, Mean, Min]
poss_trans_primitives = [Percentile, Day, Weekend, Weekday]
scores = []
for agg_primitives in combinations(poss_agg_primitives, 2):
for trans_primitives in combinations(poss_trans_primitives, 2):
for max_depth in range(1, 3):
for C in [0.01, 0.1, 1.0]:
score = score_pipeline(max_depth,
agg_primitives,
trans_primitives,
C)
scores.append(score)
print("Best score: {:.3f}".format(max(scores)))
应该先做特征工程。按照以下顺序
- 缺失值插补
- 变量编码
- 处理异常值
- select 特征的线性模型假设
- select 特征主要与标签相关
这些是特征工程的一些基本步骤。除此之外,它很大程度上取决于您正在处理的数据集类型
所有机器学习模型的性能取决于我们如何从所有可用数据集中创建独特的特征
- 特征工程
然后检查特征之间的相关性以删除相关特征
- 参数调整
您需要在训练模型之前创建特征和训练集,因此特征工程的第一次迭代必须在参数调整之前进行。然而,特征工程和参数调整都是迭代过程。例如,您可以使用第一个版本的特征通过网格搜索(强力搜索最佳参数)来训练您的模型,然后您可以使用这些参数来尝试特征的不同排列。例如,您可以尝试使用特征 X 的一些变体,例如 log(X)、sqrt(X)、X^2 等,看看这是否会给您带来更好的结果。
我的典型流程是:
- 特色头脑风暴
- 创建功能
- 相关性分析
- 特征选择
- 特征变换(尽可能与目标线性相关)
- 特征缩放到 1 均值单位方差
- 网格搜索以查找算法的初始超参数
- 测试替代特征转换的迭代过程
- 测试更多微调超参数的迭代过程
我正在尝试训练 SVM 分类器,但我对机器学习还很陌生。我知道这里有两个步骤:参数调整和特征工程,但哪个先进行呢?好像this回答建议先做特征工程,对吗?如果是对的,我是不是随机挑一组SVM参数做特征工程?
您必须先执行功能 engineering/feature 选择。在调整值之前,您必须知道将使用哪些变量。
至于如何进行特征选择,那是另外一个问题。您可以使用诸如 Principal Component Analysis, Singular Value Decomposition 或许多其他技术。这是一个活跃的研究领域,如果您只搜索 Google,您会发现很多描述各种技术的论文。
This 是我最近阅读的一篇论文,它使用基于熵的技术进行特征选择。
SVM(和大多数其他 ML 方法)接受二维数字特征矩阵形式的输入,因此您必须将数据转换为该格式才能使用 SVM。因此,虽然您想在参数调整之前进行 一些 特征工程以确认您的管道按照您认为的方式工作,但您不一定需要将两者完全分开。
如果您使用自动化或参数化特征工程方法,那么该方法可以成为超参数调整过程的一部分。
一种方法是使用 Featuretools, an open-source automated feature engineering library in Python in conjunction with a machine-learning library like Scikit-Learn。
这是一个使用 Featuretools 中的演示数据集的管道,它在同一步骤中进行超参数调整和特征工程:
import featuretools as ft
from featuretools.primitives import (Sum, Max, Mean, Min,
Percentile, Day, Weekend, Weekday)
from featuretools.selection import remove_low_information_features
from itertools import combinations
from sklearn.metrics import f1_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler, Imputer
retail_data = ft.demo.load_retail(nrows=1000)
# predict each customer's country
labels = LabelEncoder().fit_transform(retail_data['customers'].df['Country'])
def score_pipeline(max_depth, agg_primitives, trans_primitives, C):
feature_matrix, feature_defs = ft.dfs(entityset=retail_data,
target_entity='customers',
ignore_variables={'customers': ['Country']},
max_depth=max_depth,
agg_primitives=agg_primitives,
trans_primitives=trans_primitives,
verbose=True)
# one-hot encode to transform to numeric
feature_matrix, feature_defs = ft.encode_features(feature_matrix, feature_defs)
# remove feature with all nans or all single value
feature_matrix, feature_defs = remove_low_information_features(feature_matrix, feature_defs)
# impute missing values
imputer = Imputer(missing_values='NaN', strategy='mean', axis=0)
feature_matrix = imputer.fit_transform(feature_matrix)
model = SVC(C=C, verbose=True)
X_train, X_test, y_train, y_test = train_test_split(feature_matrix,
labels, test_size=0.1)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
return f1_score(y_test, predictions, average='macro')
poss_agg_primitives = [Sum, Max, Mean, Min]
poss_trans_primitives = [Percentile, Day, Weekend, Weekday]
scores = []
for agg_primitives in combinations(poss_agg_primitives, 2):
for trans_primitives in combinations(poss_trans_primitives, 2):
for max_depth in range(1, 3):
for C in [0.01, 0.1, 1.0]:
score = score_pipeline(max_depth,
agg_primitives,
trans_primitives,
C)
scores.append(score)
print("Best score: {:.3f}".format(max(scores)))
应该先做特征工程。按照以下顺序
- 缺失值插补
- 变量编码
- 处理异常值
- select 特征的线性模型假设
- select 特征主要与标签相关
这些是特征工程的一些基本步骤。除此之外,它很大程度上取决于您正在处理的数据集类型
所有机器学习模型的性能取决于我们如何从所有可用数据集中创建独特的特征
- 特征工程
然后检查特征之间的相关性以删除相关特征 - 参数调整
您需要在训练模型之前创建特征和训练集,因此特征工程的第一次迭代必须在参数调整之前进行。然而,特征工程和参数调整都是迭代过程。例如,您可以使用第一个版本的特征通过网格搜索(强力搜索最佳参数)来训练您的模型,然后您可以使用这些参数来尝试特征的不同排列。例如,您可以尝试使用特征 X 的一些变体,例如 log(X)、sqrt(X)、X^2 等,看看这是否会给您带来更好的结果。
我的典型流程是:
- 特色头脑风暴
- 创建功能
- 相关性分析
- 特征选择
- 特征变换(尽可能与目标线性相关)
- 特征缩放到 1 均值单位方差
- 网格搜索以查找算法的初始超参数
- 测试替代特征转换的迭代过程
- 测试更多微调超参数的迭代过程