机器学习之特征选择.pdf

特征选择 Feature Selection 重庆大学 余俊良 特征选择 • 什么是特征选择 – 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。 • 为什么要做特征选择 – 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： • 特征个数越多，分析特征、训练模型所需的时间就越长。 • 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 特征选择能剔除不相关(irrelevant)或亢余(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 的特征简化了模型，使研究人员易于理解数据产生 的过程。 特征选择的一般过程 特征选择包含子集搜索与子集评价两个过程。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。 特征选择的子集产生过程 产生过程是搜索特征子空间的过程。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 特征选择的子集产生过程 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。 (1) 广度优先搜索( Breadth First Search ) 算法描述：广度优先遍历特征子空间。 算法评价：枚举了所有的特征组合，属于穷举搜索，时间复 n 杂度是O(2 )，实用性不高。 (2)分支限界搜索( Branch and Bound ) 算法描述：在穷举搜索的基础上加入分支限界。例如：若断 定某些分支不可能搜索出比当前找到的最优解更优的解，则 可以剪掉这些分支。 特征选择的子集产生过程 (3) 定向搜索(Beam Search ) 算法描述：首先选择N个得分最高的特征作为特征子集，将 其加入一个限制最大长度的优先队列，每次从队列中取出得 分最高的子集，然后穷举向该子集加入1个特征后产生的所 有特征集，将这些特征集加入队列。 (4) 最优优先搜索( Best First Search ) 算法描述：与定向搜索类似，唯一的不同点是不限制优先队 列的长度。 特征选择的子集产生过程 2. 启发式搜索 (1)序列前向选择( SFS , Sequential Forward Selection ) 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。简单说就是，每次都选 择一个使得评价函数的取值达到最优的特征加入，其实就是 一种简单的贪心算法。 算法评价：缺点是只能加入特征而不能去除特征。例如：特 征A完全依赖于特征B与C，可以认为如果加入了特征B与C则A 就是多余的。假设序列前向选择算法首先将A加入特征集， 然后又将B与C加入，那么特征子集中就包含了多余的特征A 。 特征选择的子集产生过程 (2)序列后向选择( SBS , Sequential Backward Selection ) 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。 算法评价：序列后向选择与序列前向选择正好相反，它的缺 点是特征只能去除不能加入。 另外，SFS与SBS都属于贪心算法，容易陷入局部最优值。 特征选择的子集产生过程 (3) 双向搜索( BDS , Bidirectiona