Python 2.7 从递归特征消除（RFE）中提取最佳特征

我有一个由124个特征的分类和数字数据组成的数据集。为了降低它的维数，我想删除不相关的特征。然而，为了针对特征选择算法运行数据集，我使用get_dummies对其进行了热编码，这将特征数量增加到391个

In[16]:
X_train.columns
Out[16]:
Index([u'port_7', u'port_9', u'port_13', u'port_17', u'port_19', u'port_21',
   ...
   u'os_cpes.1_2', u'os_cpes.1_1'], dtype='object', length=391)

对于生成的数据，我可以使用交叉验证运行递归特征消除，如下所示：

产生：

Features Selected: 8
Features Indexes: 
['5', '6', '20', '26', '27', '28', '67', '98']
Feature Names: 
['port_21', 'port_22', 'port_199', 'port_512', 'port_513', 'port_514', 'port_3306', 'port_32768']

考虑到识别的最佳特征数量为8，如何识别特征名称？我假设我可以将它们提取到一个新的数据帧中，用于分类算法

---

[编辑]

在以下人员的帮助下，我实现了以下目标：

产生：

Features Selected: 8
Features Indexes: 
['5', '6', '20', '26', '27', '28', '67', '98']
Feature Names: 
['port_21', 'port_22', 'port_199', 'port_512', 'port_513', 'port_514', 'port_3306', 'port_32768']

考虑到一个热编码引入了多重共线性，我认为目标列选择并不理想，因为它选择的特征是非编码的连续数据特征。我已尝试重新添加未编码的目标列，但RFE会抛出以下错误，因为数据是分类的：

ValueError: could not convert string to float: Wireless Access Point

我是否需要将多个“一个热编码”功能列分组作为目标

---

[编辑2]

如果我简单地将目标列标记为代码，我可以将此目标用作“y”，请参见。但是，输出仅确定单个特征（目标列）为最佳。我想这可能是因为一个热编码，我应该考虑生成一个密集数组吗？如果是的话，它可以针对RFE运行吗

谢谢

---

亚当

在回答我自己的问题时，我发现这个问题与我对数据进行热编码的方式有关。最初，我对所有分类列运行了一个热编码，如下所示：

ohe_df = pd.get_dummies(df[df.columns])              # One-hot encode all columns

这引入了大量附加功能。采用不同的方法，在来自的帮助下，我修改了编码，以按每列/功能对多个列进行编码，如下所示：

cf_df = df.select_dtypes(include=[object])      # Get categorical features
nf_df = df.select_dtypes(exclude=[object])      # Get numerical features
ohe_df = nf_df.copy()

for feature in cf_df:
    ohe_df[feature] = ohe_df.loc[:,(feature)].str.get_dummies().values.tolist()

制作：

ohe_df.head(2)      # Only showing a subset of the data
+---+---------------------------------------------------+-----------------+-----------------+-----------------------------------+---------------------------------------------------+
|   |                      os_name                      |    os_family    |     os_type     |             os_vendor             |                     os_cpes.0                     |
+---+---------------------------------------------------+-----------------+-----------------+-----------------------------------+---------------------------------------------------+
| 0 | [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ... | [0, 1, 0, 0, 0] | [1, 0, 0, 0, 0] | [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0] | [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, ... |
| 1 | [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ... | [0, 0, 0, 1, 0] | [0, 0, 0, 1, 0] | [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0] | [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ... |
+---+---------------------------------------------------+-----------------+-----------------+-----------------------------------+---------------------------------------------------+

不幸的是，虽然这是我正在搜索的，但它并没有针对RFECV执行。接下来，我想也许我可以从所有新特性中抽取一部分，并将它们作为目标传递进来，但这导致了一个错误。最后，我意识到我必须迭代所有目标值，并从每个目标值中获取最重要的输出。代码最终看起来像这样：

for num, feature in enumerate(features, start=0):

    X = X_dev_train
    y = X_dev_train[feature]

    # Create the RFE object and compute a cross-validated score.
    svc = SVC(kernel="linear")
    # The "accuracy" scoring is proportional to the number of correct classifications
    # step is the number of features to remove at each iteration
    rfecv = RFECV(estimator=svc, step=1, cv=StratifiedKFold(kfold), scoring='accuracy')
    try:
        rfecv.fit(X, y)

        print("Number of observations in each fold: {}".format(len(X)/kfold))
        print("Optimal number of features : {}".format(rfecv.n_features_))

        g_scores = rfecv.grid_scores_
        indices = np.argsort(g_scores)[::-1]

        print('Printing RFECV results:')
        for num2, f in enumerate(range(X.shape[1]), start=0):
            if g_scores[indices[f]] > 0.80:
                if num2 < 10:
                    print("{}. Number of features: {} Grid_Score: {:0.3f}".format(f + 1, indices[f]+1, g_scores[indices[f]]))

        print "\nTop features sorted by rank:"
        results = sorted(zip(map(lambda x: round(x, 4), rfecv.ranking_), X.columns.values))
        for num3, i in enumerate(results, start=0):
            if num3 < 10:
                print i

        # Plot number of features VS. cross-validation scores
        plt.rc("figure", figsize=(8, 5))
        plt.figure()
        plt.xlabel("Number of features selected")
        plt.ylabel("CV score (of correct classifications)")
        plt.plot(range(1, len(rfecv.grid_scores_) + 1), rfecv.grid_scores_)
        plt.show()

    except ValueError:
        pass

对于num，枚举中的功能（功能，开始=0）：
X=X_开发列车
y=X_开发列车[功能]
#创建RFE对象并计算交叉验证分数。
svc=svc（kernel=“linear”）
#“准确度”评分与正确分类的数量成正比
#步骤是每次迭代中要删除的特征数
rfecv=rfecv（估计器=svc，步长=1，cv=StratifiedKFold（kfold），评分=‘准确度’）
尝试：
rfecv.配合（X，y）
打印（“每次折叠的观察次数：{}”。格式（len（X）/kfold））
打印（“最佳特征数：{}”。格式（rfecv.n_特征））
g_分数=rfecv.grid_分数_
指数=np.argsort（g_分数）[：-1]
打印（'打印RFECV结果：'）
对于num2，枚举中的f（范围（X.shape[1]），起始值为0：
如果g_分数[指数[f]]>0.80：
如果num2<10：
打印（“{}。功能数：{}网格分数：{：0.3f}”。格式（f+1，索引[f]+1，g_分数[索引[f]]））
打印“\n按等级排序的地图要素：”
结果=排序（zip（map（lambda x:round（x，4），rfecv.ranking_ux），x.columns.values））
对于num3，枚举中的i（结果，开始=0）：
如果num3<10：
打印i
#绘制特征数量与交叉验证分数
plt.rc（“图”，figsize=（8,5））
plt.图（）
plt.xlabel（“选择的特征数量”）
plt.ylabel（“CV分数（正确分类）”）
plt.plot（范围（1，len（rfecv.grid\u分数）+1），rfecv.grid\u分数）
plt.show（）
除值错误外：
通过

我相信这可能会更干净，甚至可以绘制在一个图表中，但它对我很有用

干杯，

您可以这样做：

`
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
rfe = RFE(model, 5) 
rfe = rfe.fit(X, y)
print(rfe.support_)
print(rfe.ranking_)
f = rfe.get_support(1) #the most important features
X = df[df.columns[f]] # final features`

然后，您可以使用X作为神经网络或任何算法的输入