我在 scikit learn 中找不到逐步回归的方法。我已经检查了 Stack Exchange 上有关此主题的所有其他帖子。所有这些问题的答案都建议使用 f_regression。
但是 f_regression 不做逐步回归,只是给出每个回归量对应的 F-score 和 pvalues,这只是逐步回归的第一步。
选择具有最佳 f 分数的第一个回归变量后该怎么办?
我在 scikit learn 中找不到逐步回归的方法。我已经检查了 Stack Exchange 上有关此主题的所有其他帖子。所有这些问题的答案都建议使用 f_regression。
但是 f_regression 不做逐步回归,只是给出每个回归量对应的 F-score 和 pvalues,这只是逐步回归的第一步。
选择具有最佳 f 分数的第一个回归变量后该怎么办?
Scikit-learn 确实不支持逐步回归。这是因为通常所说的“逐步回归”是一种基于线性回归系数的 p 值的算法,而 scikit-learn 故意避免使用推理方法进行模型学习(显着性测试等)。此外,纯 OLS 只是众多回归算法中的一种,从 scikit-learn 的角度来看,它既不是很重要,也不是最好的算法之一。
但是,对于那些仍然需要使用线性模型进行特征选择的好方法的人,有一些建议:
ElasticNet
or Lasso
。StandardScaler
,然后仅按 对您的功能进行排序model.coef_
。对于完全独立的协变量,它相当于按 p 值排序。该课程sklearn.feature_selection.RFE
将为您完成,RFECV
甚至会评估最佳数量的功能。statsmodels
.mlxtend
包支持任何估计器和任何度量的这种方法。statsmodels
,因为这个包会为你计算 p 值。一个基本的前后选择可能如下所示:```
from sklearn.datasets import load_boston
import pandas as pd
import numpy as np
import statsmodels.api as sm
data = load_boston()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target
def stepwise_selection(X, y,
initial_list=[],
threshold_in=0.01,
threshold_out = 0.05,
verbose=True):
""" Perform a forward-backward feature selection
based on p-value from statsmodels.api.OLS
Arguments:
X - pandas.DataFrame with candidate features
y - list-like with the target
initial_list - list of features to start with (column names of X)
threshold_in - include a feature if its p-value < threshold_in
threshold_out - exclude a feature if its p-value > threshold_out
verbose - whether to print the sequence of inclusions and exclusions
Returns: list of selected features
Always set threshold_in < threshold_out to avoid infinite looping.
See https://en.wikipedia.org/wiki/Stepwise_regression for the details
"""
included = list(initial_list)
while True:
changed=False
# forward step
excluded = list(set(X.columns)-set(included))
new_pval = pd.Series(index=excluded)
for new_column in excluded:
model = sm.OLS(y, sm.add_constant(pd.DataFrame(X[included+[new_column]]))).fit()
new_pval[new_column] = model.pvalues[new_column]
best_pval = new_pval.min()
if best_pval < threshold_in:
best_feature = new_pval.argmin()
included.append(best_feature)
changed=True
if verbose:
print('Add {:30} with p-value {:.6}'.format(best_feature, best_pval))
# backward step
model = sm.OLS(y, sm.add_constant(pd.DataFrame(X[included]))).fit()
# use all coefs except intercept
pvalues = model.pvalues.iloc[1:]
worst_pval = pvalues.max() # null if pvalues is empty
if worst_pval > threshold_out:
changed=True
worst_feature = pvalues.argmax()
included.remove(worst_feature)
if verbose:
print('Drop {:30} with p-value {:.6}'.format(worst_feature, worst_pval))
if not changed:
break
return included
result = stepwise_selection(X, y)
print('resulting features:')
print(result)
此示例将打印以下输出:
Add LSTAT with p-value 5.0811e-88
Add RM with p-value 3.47226e-27
Add PTRATIO with p-value 1.64466e-14
Add DIS with p-value 1.66847e-05
Add NOX with p-value 5.48815e-08
Add CHAS with p-value 0.000265473
Add B with p-value 0.000771946
Add ZN with p-value 0.00465162
resulting features:
['LSTAT', 'RM', 'PTRATIO', 'DIS', 'NOX', 'CHAS', 'B', 'ZN']