feature extraction

这里主要是介绍几种特征提取的方法

Stepwise Regression

逐步回归算法可以用来筛选以及拟合特征，来实现特征的降维，主要是再Y对应多个x_i的情况（即一个因变量对应多个自变量的情况，也可称为多元回归）

其实可以理解为：

在线性条件下，哪些变量组合能够解释更多的因变量变异，则将其保留。
1
Y=W_1 X_1+W_2X_2+......W_iX_i
逐步回归算法的主要方法

具体操作方法有三种：

Forward selection: 首先模型中只有一个单独解释因变量变异最大的自变量，之后尝试将加入另一自变量，看加入后整个模型所能解释的因变量变异是否显著增加（这里需要进行检疫，可以用 F-test， t-test 等等）；这一过程反复迭代，直到没有自变量再符合加入模型的条件。
Backward elimination: 与 Forward selection 相反，此时，所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，看整个模型解释因变量的变异是否有显著变化，之后将使解释量减少最少的变量剔除；此过程不断迭代，直到没有自变量符合剔除的条件。
Bidirectional elimination: 这种方法相当于将前两种结合起来。可以想象，如果采用第一种方法，每加入一个自变量，可能会使已存在于模型中的变量单独对因变量的解释度减小，当其的作用很小（不显著）时，则可将其从模型中剔除。而第三种方法就做了这么一件事，不是一味的增加变量，而是增加一个后，对整个模型中的所有变量进行检验，剔除作用不显著的变量。最终尽可能得到一个最优的变量组合。

主要操作方法如上面所示，那么如何去评价那个变量是真的有价值的呢，这个时候再公式上可以去看一个指标，那就是观察R方的变化，那么到底什么是R方呢，一句话描述下它的功能就是

来表示回归直线对观测值的拟合程度,其主要的公式如下
R^2=SSR/SST=1-SSE/SST
（其中SSR是组间变异，SST是总变异）
进一步的详细描述下如下：
$R^2=1-\frac{\sum{(y-\hat{y})^2}}{\sum{(y-\bar{y})^2}}=cov(y,y_i)^2$

看这个式子式用1减去y对回归方程的方差（未解释离差）与y的总方差的比值，y减去 \hat{y}也就是残差，是拟合方程中不能解释的部分，用1减去不能解释的部分，那么剩下的就是解释的部分，也就是说自变量解释了因变量变动的百分比的多少，那么r方的值肯定是越大越好，意味着该模型把y的变动解释得好，R方的范围显然是0到1，在预测实践中，人们往往采纳R方最高的模型,其中cov(y,y_i)是协方差函数.同时跟R_square相似的指标，相关系数R

$R=\frac{\sum_{i=1}^{n}(x-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x-\bar{x})^2 \sum_{i=1}^{n}(y_i-\bar{y})^2}}$

还有一个定义就是调整R方(R_adjusted)：当给模型增加自变量时，复决定系数也随之逐步增大，然而复决定系数的增大代价是残差自由度的减少，因为残差自由度等于样本个数与字变量个数之差。自由度小意味着估计和预测可靠性低

$R^{2}_{adjusted}=1-\frac{(1-R^2)(n-1)}{n-p-1}$

其中,n为样本容量，p为自变量的个数。在实际问题的回归建模中，自由度调整负决定系数R方越大，所对应的回归方程越好。则所有回归子集中调整R方最大者对应的回归方程就是最优方程。

Python Achievement

下面是基于statsnidels中的回归函数实现的代码

import pandas as pd
import numpy as np
import statsmodels.formula.api as smf
 
 
data_columns=data.columns.tolist()
#此部分剔除掉不需要的变量
need_remove=['value']
for i in need_remove:
    data_columns.remove(i)
 
new_scores={}
best_variable=[]
 
#先一开始设定一个最初的变量，以此来迭代循环
best_property='OverallQual'
best_property_1='a'
   
new_data=pd.DataFrame()
best_score=0.0
 
while data_columns:
    if best_property_1 != best_property:
        data_columns.remove(best_property)
        best_variable.append(best_property)
        best_property_1=best_property
        new_data=pd.concat([new_data,x_train[best_property]],axis=1)
        for c in data_columns:
            new_data_1=pd.concat([new_data,x_train[c]],axis=1)
            number_property=len(new_data_1.columns.tolist())
            a=np.array(new_data_1).reshape(-1,number_property)
            b=np.array(y_train).reshape(-1,1)
            regr=smf.OLS(b,a).fit()
            scores=regr.rsquared_adj
            if scores>best_score:
                best_score=scores
                best_property=c
        print(best_variable)
        count=len(best_variable)
    else:
        print('此时得分最高的为 %s，且变量只有%s个为%s' % (best_score,count,best_variable))
        print(best_variable)
        break

R code

R中的实现相对比较简单，主要是step函数，主要是先设置拟合式子，然后用函数进行逐步回归，最终会返回各个变量的贡献比以及系数

1
2
3

lmo3.1<-lm(y~1,data=data3.1)
lm3.1.for<-step(lmo3.1,scope=list(upper=~x1+x2+x3+x4+x5+x6+x7+x8+x9,lower=~1),direction="forward")
summary(lm3.1.for)//direction参数来设置是前进法还是后退法，summary函数来返回各个系数的值

再就是R里面还有个glmnet的包，里面有个glmnet的线性拟合函数，同时可以通过alpha来设置正则项，0为岭回归，1为lasso回归，0.5就是弹性网络，同时一起用的还有cv.glmnet函数，主要是用来挑选参数的，返回的最近的lamda，可以通过下面的代码来选出通过交叉验证来选出最好的lamda对应的系数，以及拟合的系数值，后面可以直接用。

fit=glmnet(as.matrix(train_ydata),y_predict,alpha = 0.5,family ="gaussian",standardize = FALSE) #family 对应变量的类型，是一维连续（gaussian）,二维，或者多维的非连续的，对应不同的核函数，具体可以看下
cv_fit=cv.glmnet(as.matrix(train_ydata),y_predict,type.measure='mae',family="gaussian",gamma =0)
plot(cv_fit)
coefficients<-coef(cv_fit,s=cv_fit$lambda.min)## 通过10折交叉验证来选出最佳的lamda，然后来选择特征
Active.Index<-which(coefficients!=0)//把选择的系统的下标拿出来

这里主要是介绍几种特征提取的方法

Stepwise Regression

逐步回归算法的主要方法

Python Achievement

R code