Scikit-learn选择回归数据

Question

我正在尝试使用Python模块scikit应用单变量特征选择方法 - 学习svmlight格式的回归(即连续值响应值)数据集.

我正在使用scikit-learn版本0.11.

我尝试了两种方法 - 第一种方法失败,第二种方法适用于我的玩具数据集,但我认为这会给真正的数据集带来毫无意义的结果.

我想建议一个适当的单变量特征选择方法,我可以应用于选择回归数据集的前N个特征.我要么想(a)弄清楚如何使f_regression功能起作用,或者(b)听取其他建议.

上面提到的两种方法:

1. 我尝试使用sklearn.feature_selection.f_regression(X,Y).

这失败,出现以下错误消息:"TypeError:copy()只取1个参数(给定2个)"

1. 我尝试使用chi2(X,Y).这"工作"但我怀疑这是因为我的玩具数据集中的两个响应值0.1和1.8被视为类标签？据推测,这不会产生真实数据集的有意义的卡方统计量,对于该数据集,将存在大量可能的响应值,并且每个单元格中的数量[具有特定响应值和被测试属性的值]将是低？

请找到粘贴在此消息末尾的玩具数据集.

以下代码段应该给出我上面描述的结果.

from sklearn.datasets import load_svmlight_file

X_train_data, Y_train_data = load_svmlight_file(svmlight_format_train_file) #i.e. change this to the name of my toy dataset file

from sklearn.feature_selection import SelectKBest
featureSelector = SelectKBest(score_func="one of the two functions I refer to above",k=2) #sorry, I hope this message is clear
featureSelector.fit(X_train_data,Y_train_data)
print [1+zero_based_index for zero_based_index in list(featureSelector.get_support(indices=True))] #This should print the indices of the top 2 features

提前致谢.

理查德

我设计的svmlight文件的内容 - 为了清晰起见插入了额外的空白行:

1.8 1:1.000000 2:1.000000 4:1.000000 6:1.000000#mA

1.8 1:1.000000 2:1.000000#mB

0.1 5:1.000000#mC

1.8 1:1.000000 2:1.000000 #mD

0.1 3:1.000000 4:1.000000#mE

0.1 3:1.000000 #mF

1.8 2:1.000000 4:1.000000 5:1.000000 6:1.000000#mG

1.8 2:1.000000 #mH

Answer 1

正如larsmans所指出的,chi2不能用于回归数据的特征选择.

在更新为scikit-learn版本0.13后,以下代码选择了上述玩具数据集的前两个特征(根据f_regression测试).

def f_regression(X,Y):
   import sklearn
   return sklearn.feature_selection.f_regression(X,Y,center=False) #center=True (the default) would not work ("ValueError: center=True only allowed for dense data") but should presumably work in general

from sklearn.datasets import load_svmlight_file

X_train_data, Y_train_data = load_svmlight_file(svmlight_format_train_file) #i.e. change this to  the name of my toy dataset file

from sklearn.feature_selection import SelectKBest
featureSelector = SelectKBest(score_func=f_regression,k=2)
featureSelector.fit(X_train_data,Y_train_data)
print [1+zero_based_index for zero_based_index in list(featureSelector.get_support(indices=True))]