http://scikit-learn.org/stable/auto_examples/feature_stacker.html
在許多實際應用中，會有很多方法可以從一個數據集中提取特徵。也常常會組合多個方法來獲得良好的特徵。這個例子說明如何使用 FeatureUnion 來結合由 PCA 和 univariate selection 時的特徵。
這個範例的主要目的：
- 資料集：iris 鳶尾花資料集
- 特徵：鳶尾花特徵
- 預測目標：是那一種鳶尾花
- 機器學習方法：SVM 支持向量機
- 探討重點：特徵結合
- 關鍵函式：
sklearn.pipeline.FeatureUnion
- 首先先匯入iris 鳶尾花資料集，使用from sklearn.datasets import load_iris將資料存入
- 準備X (特徵資料) 以及 y (目標資料)
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
iris = load_iris()
X, y = iris.data, iris.target測試資料：
iris為一個dict型別資料。
| 顯示 | 說明 |
|---|---|
| ('target_names', (3L,)) | 共有三種鳶尾花 setosa, versicolor, virginica |
| ('data', (150L, 4L)) | 有150筆資料，共四種特徵 |
| ('target', (150L,)) | 這150筆資料各是那一種鳶尾花 |
| DESCR | 資料之描述 |
| feature_names | 4個特徵代表的意義 |
-
PCA(n_components = 主要成份數量):Principal Component Analysis(PCA)主成份分析，是一個常用的將資料維度減少的方法。它的原理是找出一個新的座標軸，將資料投影到該軸時，數據的變異量會最大。利用這個方式減少資料維度，又希望能保留住原數據點的特性。 -
SelectKBest(score_func , k ):score_func是選擇特徵值所依據的函式，而K值則是設定要選出多少特徵。
# This dataset is way to high-dimensional. Better do PCA:
pca = PCA(n_components=2)
# Maybe some original features where good, too?
selection = SelectKBest(k=1)- 使用sklearn.pipeline.FeatureUnion合併主成分分析(PCA)和綜合篩選(SelectKBest)。
- 最後得到選出的特徵
# Build estimator from PCA and Univariate selection:
combined_features = FeatureUnion([("pca", pca), ("univ_select", selection)])
# Use combined features to transform dataset:
X_features = combined_features.fit(X, y).transform(X)-
Scikit-learn的支持向量機分類函式庫利用 SVC() 建立運算物件，之後並可以用運算物件內的方法 .fit() 與 .predict() 來做訓練與預測。
-
使用
GridSearchCV交叉驗證，得到由參數網格計算出的分數網格，並找到分數網格中最佳點。最後顯示這個點所代表的參數
svm = SVC(kernel="linear")
# Do grid search over k, n_components and C:
pipeline = Pipeline([("features", combined_features), ("svm", svm)])
param_grid = dict(features__pca__n_components=[1, 2, 3],
features__univ_select__k=[1, 2],
svm__C=[0.1, 1, 10])
grid_search = GridSearchCV(pipeline, param_grid=param_grid, verbose=10)
grid_search.fit(X, y)
print(grid_search.best_estimator_)結果顯示
[CV] features__univ_select__k=1, features__pca__n_components=1, svm__C=0.1
[CV] features__univ_select__k=1, features__pca__n_components=1, svm__C=0.1, score=0.960784 - 0.0s
Python source code: feature_stacker.py http://scikit-learn.org/stable/auto_examples/feature_stacker.html
# Author: Andreas Mueller <[email protected]>
#
# License: BSD 3 clause
from sklearn.pipeline import Pipeline, FeatureUnion
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
from sklearn.feature_selection import SelectKBest
iris = load_iris()
X, y = iris.data, iris.target
# This dataset is way to high-dimensional. Better do PCA:
pca = PCA(n_components=2)
# Maybe some original features where good, too?
selection = SelectKBest(k=1)
# Build estimator from PCA and Univariate selection:
combined_features = FeatureUnion([("pca", pca), ("univ_select", selection)])
# Use combined features to transform dataset:
X_features = combined_features.fit(X, y).transform(X)
svm = SVC(kernel="linear")
# Do grid search over k, n_components and C:
pipeline = Pipeline([("features", combined_features), ("svm", svm)])
param_grid = dict(features__pca__n_components=[1, 2, 3],
features__univ_select__k=[1, 2],
svm__C=[0.1, 1, 10])
grid_search = GridSearchCV(pipeline, param_grid=param_grid, verbose=10)
grid_search.fit(X, y)
print(grid_search.best_estimator_)