Python打卡DAY19
常见的特征筛选算法
- 方差筛选
- 皮尔逊相关系数筛选
- lasso筛选
- 树模型重要性
- shap重要性
- 递归特征消除REF
作业：对心脏病数据集完成特征筛选，对比精度
import pandas as pd
import pandas as pd # 用于数据处理和分析，可处理表格数据。
import numpy as np # 用于数值计算，提供了高效的数组操作。
import matplotlib.pyplot as plt # 用于绘制各种类型的图表
import seaborn as sns # 基于matplotlib的高级绘图库，能绘制更美观的统计图形。
import warnings
warnings.filterwarnings("ignore")
# 设置中文字体（解决中文显示问题）
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统常用黑体字体
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
data = pd.read_csv('heart.csv')
# 数据划分
X = data.drop(['target'], axis = 1)
y = data['target']
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 80%训练集，20%测试集
from sklearn.ensemble import RandomForestClassifier #随机森林分类器
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标
from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵
import warnings #用于忽略警告信息
warnings.filterwarnings("ignore") # 忽略所有警告信息
# --- 1. 默认参数的随机森林 ---
# 评估基准模型，这里确实不需要验证集
print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
import time # 这里介绍一个新的库，time库，主要用于时间相关的操作，因为调参需要很长时间，记录下会帮助后人知道大概的时长
start_time = time.time() # 记录开始时间
rf_model = RandomForestClassifier(random_state=42)
rf_model.fit(X_train, y_train) # 在训练集上训练
rf_pred = rf_model.predict(X_test) # 在测试集上预测
end_time = time.time() # 记录结束时间
print(f"训练与预测耗时: {end_time - start_time:.4f} 秒")
print("\n默认随机森林 在测试集上的分类报告：")
print(classification_report(y_test, rf_pred))
print("默认随机森林 在测试集上的混淆矩阵：")
print(confusion_matrix(y_test, rf_pred))- 方差筛选
#方差筛选 # 打印标题，表明这是方差筛选的部分 print("--- 方差筛选 (Variance Threshold) ---") # 导入需要的工具库 from sklearn.feature_selection import VarianceThreshold # 方差筛选工具，用于剔除方差小的特征 import time # 用于记录代码运行时间，方便比较效率 # 记录开始时间，后面会计算整个过程耗时 start_time = time.time() # 创建方差筛选器，设置方差阈值为0.01 # 阈值是指方差的最小值，低于这个值的特征会被删除（可以根据数据情况调整阈值） selector = VarianceThreshold(threshold=0.01) # 对训练数据进行方差筛选，fit_transform会计算每个特征的方差并剔除不满足阈值的特征 # X_train是原始训练数据，X_train_var是筛选后的训练数据 X_train_var = selector.fit_transform(X_train) # 对测试数据应用同样的筛选规则，transform会直接用训练数据的筛选结果处理测试数据 # X_test是原始测试数据，X_test_var是筛选后的测试数据 X_test_var = selector.transform(X_test) # 获取被保留下来的特征名称 # selector.get_support()返回一个布尔值列表，表示哪些特征被保留，这个是selector这个实例化的类的一个方法 # X_train.columns是特征的名称，结合布尔值列表可以提取保留特征的名字 selected_features_var = X_train.columns[selector.get_support()].tolist() # 打印筛选后保留的特征数量和具体特征名称，方便查看结果 print(f"方差筛选后保留的特征数量: {len(selected_features_var)}") print(f"保留的特征: {selected_features_var}") # 创建一个随机森林分类模型，用于在筛选后的数据上进行训练和预测 # random_state=42是为了保证每次运行结果一致，方便教学和对比 rf_model_var = RandomForestClassifier(random_state=42) # 在筛选后的训练数据上训练模型 # X_train_var是筛选后的特征数据，y_train是对应的目标标签 rf_model_var.fit(X_train_var, y_train) # 使用训练好的模型对筛选后的测试数据进行预测 # X_test_var是筛选后的测试特征数据，rf_pred_var是预测结果 rf_pred_var = rf_model_var.predict(X_test_var) # 记录结束时间，计算整个训练和预测过程的耗时 end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") # 打印模型在测试集上的分类报告，展示模型的性能 # 分类报告包括精确率、召回率、F1分数等指标，帮助评估模型好坏 print("\n方差筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_var)) # 打印混淆矩阵，展示模型预测的详细结果 # 混淆矩阵显示了真实标签和预测标签的对应情况，比如多少样本被正确分类，多少被错分 print("方差筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_var)) - 皮尔逊相关系数筛选
# 皮尔逊相关系数筛选 print("--- 皮尔逊相关系数筛选 ---") from sklearn.feature_selection import SelectKBest, f_classif import time start_time = time.time() # 计算特征与目标变量的相关性，选择前k个特征（这里设为10个，可调整） # 注意：皮尔逊相关系数通常用于回归问题（连续型目标变量），但如果目标是分类问题，可以用f_classif k = 10 selector = SelectKBest(score_func=f_classif, k=k) X_train_corr = selector.fit_transform(X_train, y_train) X_test_corr = selector.transform(X_test) # 获取筛选后的特征名 selected_features_corr = X_train.columns[selector.get_support()].tolist() print(f"皮尔逊相关系数筛选后保留的特征数量: {len(selected_features_corr)}") print(f"保留的特征: {selected_features_corr}") # 训练随机森林模型 rf_model_corr = RandomForestClassifier(random_state=42) rf_model_corr.fit(X_train_corr, y_train) rf_pred_corr = rf_model_corr.predict(X_test_corr) end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\n皮尔逊相关系数筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_corr)) print("皮尔逊相关系数筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_corr)) - lasso筛选
print("--- Lasso筛选 (L1正则化) ---") from sklearn.linear_model import Lasso from sklearn.feature_selection import SelectFromModel import time start_time = time.time() # 使用Lasso回归进行特征筛选 lasso = Lasso(alpha=0.01, random_state=42) # alpha值可调整 selector = SelectFromModel(lasso) selector.fit(X_train, y_train) X_train_lasso = selector.transform(X_train) X_test_lasso = selector.transform(X_test) # 获取筛选后的特征名 selected_features_lasso = X_train.columns[selector.get_support()].tolist() print(f"Lasso筛选后保留的特征数量: {len(selected_features_lasso)}") print(f"保留的特征: {selected_features_lasso}") # 训练随机森林模型 rf_model_lasso = RandomForestClassifier(random_state=42) rf_model_lasso.fit(X_train_lasso, y_train) rf_pred_lasso = rf_model_lasso.predict(X_test_lasso) end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\nLasso筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_lasso)) print("Lasso筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_lasso)) - 树模型重要性
print("--- 树模型自带的重要性筛选 ---") from sklearn.feature_selection import SelectFromModel import time start_time = time.time() # 使用随机森林的特征重要性进行筛选 rf_selector = RandomForestClassifier(random_state=42) rf_selector.fit(X_train, y_train) selector = SelectFromModel(rf_selector, threshold="mean") # 阈值设为平均重要性，可调整 X_train_rf = selector.transform(X_train) X_test_rf = selector.transform(X_test) # 获取筛选后的特征名 selected_features_rf = X_train.columns[selector.get_support()].tolist() print(f"树模型重要性筛选后保留的特征数量: {len(selected_features_rf)}") print(f"保留的特征: {selected_features_rf}") # 训练随机森林模型 rf_model_rf = RandomForestClassifier(random_state=42) rf_model_rf.fit(X_train_rf, y_train) rf_pred_rf = rf_model_rf.predict(X_test_rf) end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\n树模型重要性筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_rf)) print("树模型重要性筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_rf)) - shap重要性
print("--- SHAP重要性筛选 ---") import shap from sklearn.feature_selection import SelectKBest import time start_time = time.time() # 使用随机森林模型计算SHAP值 rf_shap = RandomForestClassifier(random_state=42) rf_shap.fit(X_train, y_train) explainer = shap.TreeExplainer(rf_shap) shap_values = explainer.shap_values(X_train) # 计算每个特征的平均SHAP值（取绝对值的平均） mean_shap = np.abs(shap_values[1]).mean(axis=0) # shap_values[1]对应正类 k = 10 # 选择前10个特征，可调整 top_k_indices = np.argsort(mean_shap)[-k:] X_train_shap = X_train.iloc[:, top_k_indices] X_test_shap = X_test.iloc[:, top_k_indices] # 获取筛选后的特征名 selected_features_shap = X_train.columns[top_k_indices].tolist() print(f"SHAP重要性筛选后保留的特征数量: {len(selected_features_shap)}") print(f"保留的特征: {selected_features_shap}") # 训练随机森林模型 rf_model_shap = RandomForestClassifier(random_state=42) rf_model_shap.fit(X_train_shap, y_train) rf_pred_shap = rf_model_shap.predict(X_test_shap) end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\nSHAP重要性筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_shap)) print("SHAP重要性筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_shap)) - 递归特征消除REF
print("--- 递归特征消除 (RFE) ---") from sklearn.feature_selection import RFE import time start_time = time.time() # 使用随机森林作为基础模型进行RFE base_model = RandomForestClassifier(random_state=42) rfe = RFE(base_model, n_features_to_select=10) # 选择10个特征，可调整 rfe.fit(X_train, y_train) X_train_rfe = rfe.transform(X_train) X_test_rfe = rfe.transform(X_test) # 获取筛选后的特征名 selected_features_rfe = X_train.columns[rfe.support_].tolist() print(f"RFE筛选后保留的特征数量: {len(selected_features_rfe)}") print(f"保留的特征: {selected_features_rfe}") # 训练随机森林模型 rf_model_rfe = RandomForestClassifier(random_state=42) rf_model_rfe.fit(X_train_rfe, y_train) rf_pred_rfe = rf_model_rfe.predict(X_test_rfe) end_time = time.time() print(f"训练与预测耗时: {end_time - start_time:.4f} 秒") print("\nRFE筛选后随机森林在测试集上的分类报告：") print(classification_report(y_test, rf_pred_rfe)) print("RFE筛选后随机森林在测试集上的混淆矩阵：") print(confusion_matrix(y_test, rf_pred_rfe))@浙大疏锦行