Python 多变量时间序列分类中的特征选择

我有一个带有

9

变量的时间序列数据。我从中发现了4个特点。 例如，我计算

np.mean（）、np.std（）、np.var（）、np.ptp（）

现在我的列从

9

变量扩展到

36

变量

sklearn

中提供的特征选择方法适用于单变量数据。因此，当我将这些方法应用于多元数据时，他们不会发现

np.mean（）

是否比

np.std（）

更好。他们只需从36个变量中找出最好的变量

---

所以我想知道，处理多元数据的正确方法应该是什么

让我总结一下，以确保我首先理解了您的问题。你有9个变量的时间序列数据，这意味着你有9个长度为

L

的通道，所以一个形状为

lx9

的矩阵，对吗？现在计算每个通道上的4个特征，使其成为形状矩阵

lx36

例如，

sklearn.selectKBest

所做的是选择36个特征向量中的k个最佳特征。因此，例如，如果

k=18

，则在变换后将得到一个形状为

lx18

的矩阵。它选择了18个最佳功能

你能详细说明一下你的问题和你想达到的目标吗？可能需要一些代码

编辑：

查看所选功能的可能解决方案：

from sklearn.datasets import load_digits
from sklearn.feature_selection import SelectKBest, chi2
X, y = load_digits(return_X_y=True)
# X.shape = (1797, 64)
kbest = SelectKBest(chi2, k=20)
kbest.fit(X, y)
X_new = kbest.transform(X)
# X_new.shape = (1797, 20)
selected_features = kbest.get_support()
# Returns a mask of X.shape[1]
array([False, False, False, False, False,  True,  True, False, False,
       False, False, False, False,  True, False, False, False, False,
       False,  True,  True,  True, False, False, False, False,  True,
       False,  True, False,  True, False, False,  True,  True, False,
       False, False, False, False, False,  True,  True,  True,  True,
       False,  True, False, False, False, False, False, False, False,
        True, False, False, False,  True, False, False,  True,  True,
       False])

现在您只需要记住哪些特性对应于用

true

屏蔽的索引

---

受sklearn文档的启发，选择kbest（）

，您完全理解我想说的话。让我进一步交换吧。在单变量数据的情况下，我想找到4个特征中哪一个工作得很好。假设K=2，则返回两个特征。假设这两个特性是

mean

和

std

。但在多元的情况下，它返回我这两个特征的一部分。它确实返回了两个特性。如果考虑得更周全一些，它应该返回

2featurex9=18

，这样我就可以知道哪两个特性工作得很好