Metody w języku R lub Python do przeprowadzania wyboru funkcji w uczeniu bez nadzoru [zamknięte]

Jakie są dostępne metody / implementacja w R / Python, aby odrzucić / wybrać nieistotne / ważne funkcje w danych? Moje dane nie mają etykiet (bez nadzoru).

Dane mają ~ 100 funkcji z mieszanymi typami. Niektóre są numeryczne, a inne binarne (0/1).

Ma roczek, ale nadal uważam, że jest to istotne, więc chciałem po prostu udostępnić moją implementację w Pythonie funkcji analizy głównych cech (PFA), jak zaproponowano w artykule, do którego Charles odniósł się w swojej odpowiedzi.

from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
from collections import defaultdict
from sklearn.metrics.pairwise import euclidean_distances
from sklearn.preprocessing import StandardScaler

class PFA(object):
    def __init__(self, n_features, q=None):
        self.q = q
        self.n_features = n_features

    def fit(self, X):
        if not self.q:
            self.q = X.shape[1]

        sc = StandardScaler()
        X = sc.fit_transform(X)

        pca = PCA(n_components=self.q).fit(X)
        A_q = pca.components_.T

        kmeans = KMeans(n_clusters=self.n_features).fit(A_q)
        clusters = kmeans.predict(A_q)
        cluster_centers = kmeans.cluster_centers_

        dists = defaultdict(list)
        for i, c in enumerate(clusters):
            dist = euclidean_distances([A_q[i, :]], [cluster_centers[c, :]])[0][0]
            dists[c].append((i, dist))

        self.indices_ = [sorted(f, key=lambda x: x[1])[0][0] for f in dists.values()]
        self.features_ = X[:, self.indices_]

Możesz użyć tego w następujący sposób:

import numpy as np
X = np.random.random((1000,1000))

pfa = PFA(n_features=10)
pfa.fit(X)

# To get the transformed matrix
X = pfa.features_

# To get the column indices of the kept features
column_indices = pfa.indices_

Jest to ściśle zgodne z opisanym algorytmem z artykułu. Myślę, że ta metoda jest obiecująca, ale szczerze mówiąc nie sądzę, że jest to najbardziej niezawodne podejście do wyboru funkcji bez nadzoru. Opublikuję aktualizację, jeśli wymyślę coś lepszego.

SPARCL Opakowanie R wykonuje rzadki hierarchiczną rzadki K-means klastrów. To może być przydatne. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2930825/

Analiza głównych funkcji wydaje się być rozwiązaniem do wyboru funkcji bez nadzoru. Jest to opisane w tym artykule .

Znalazłem link, który może być przydatny, są to implementacje Matlaba, mogą Ci pomóc http://www.cad.zju.edu.cn/home/dengcai/Data/MCFS.html jest to wybór funkcji wieloklasowych metodę, możesz znaleźć mocne podstawy na ten temat w ostatnich artykułach Daj mi znać, czy to działa dla Ciebie

Istnieje wiele opcji dostępnych w R. Miłym miejscem do oglądania jest caretpakiet, który zapewnia ładny interfejs do wielu innych pakietów i opcji. Możesz zajrzeć na stronę tutaj . Istnieje wiele opcji, ale zilustruję jedną z nich.

Oto przykład użycia prostego filtra z wykorzystaniem wbudowanych Rzestawów danych „mtcars” (pokazanych poniżej).

                   mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1

Teraz niektóre ustawienia kodu (ładowanie pakietów itp.):

# setup a parallel environment
library(doParallel)
cl <- makeCluster(2) # number of cores to use
registerDoParallel(cl)
library(caret)

I możemy dopasować prosty model do wybierania zmiennych:

fit1 <- sbf(mtcars[, -1], mtcars[, 1],
  sbfControl =
    sbfControl(functions = rfSBF, method = "repeatedcv", repeats = 10)
)

Przeglądając wyniki otrzymujemy:

fit1
Selection By Filter

Outer resampling method: Cross-Validated (10 fold, repeated 10 times) 

Resampling performance:

  RMSE Rsquared RMSESD RsquaredSD
 2.266   0.9224 0.8666     0.1523

Using the training set, 7 variables were selected:
   cyl, disp, hp, wt, vs...

During resampling, the top 5 selected variables (out of a possible 9):
   am (100%), cyl (100%), disp (100%), gear (100%), vs (100%)

On average, 7 variables were selected (min = 5, max = 9)

Na koniec możemy wykreślić wybrane zmienne (in fit1$optVariables) względem wyniku mpg:

library(ggplot2)
library(gridExtra)
do.call(grid.arrange, 
lapply(fit1$optVariables, function(v) {
  ggplot(mtcars, aes_string(x = v, y = "mpg")) +
    geom_jitter()
}))

Wynikający z tego wykresu:

nsprcompPakiet R dostarcza sposoby rzadki Analiza głównych składowych, które mogą spełnić Twoje potrzeby.

Na przykład, jeśli uważasz, że twoje funkcje są zasadniczo skorelowane liniowo i chcesz wybrać pierwszą piątkę, możesz uruchomić rzadkie PCA z maksymalnie pięcioma funkcjami i ograniczyć do pierwszego głównego składnika:

m <- nsprcomp(x, scale.=T, k=5, ncomp=1)
m$rotation[, 1]

Alternatywnie, jeśli chcesz uchwycić ortogonalny charakter funkcji, możesz wybrać najwyższą funkcję z każdego z pięciu najlepszych komputerów, ograniczając każdy komputer do jednej funkcji:

m <- nsprcomp(x, scale.=T, k=1, ncomp=5)
m$rotation

Przydałby się ich zestaw; tzn. funkcje, które konsekwentnie osiągają najwyższy poziom w różnych metodach, prawdopodobnie wyjaśnią dużą wariancję w przestrzeni cech. Po zabawie nsprcomptrochę wydaje się, że dwie pierwsze metody podnoszą ~ 1/2 tych samych funkcji na szczyt. To powiedziawszy, optymalizacja tego procesu może być wysiłkiem empirycznym.