分享者：Mohammad Shahebaz
創(chuàng)造力一直是人類(lèi)進(jìn)化的本質(zhì)。數(shù)千年來(lái)，人類(lèi)已經(jīng)在歷史長(zhǎng)河中發(fā)掘了不少奇妙發(fā)現(xiàn)，而這種行為的起源契機(jī)可能是第一個(gè)輪子開(kāi)始滾動(dòng)，或是某個(gè)瘋狂想法背后的思維火花崩現(xiàn)。從石器時(shí)代到今天，創(chuàng)造力始終倍受贊賞，而它也確實(shí)也給我們帶來(lái)了源源不斷的進(jìn)步動(dòng)力。
現(xiàn)如今，各個(gè)領(lǐng)域正在豐富創(chuàng)造力的內(nèi)涵，其中，數(shù)據(jù)科學(xué)應(yīng)該是最歡迎它的領(lǐng)域之一：從零假設(shè)、數(shù)據(jù)預(yù)處理、構(gòu)建模型——?jiǎng)?chuàng)造性洞察力在其中發(fā)揮著重要作用。
攝影：Franki Chamaki
一位Kaggle大師曾對(duì)我說(shuō)：
你解決問(wèn)題的次數(shù)越多，你對(duì)某些想法、挑戰(zhàn)的理解就越深，你會(huì)發(fā)現(xiàn)某些東西對(duì)于特定問(wèn)題會(huì)有奇效。
放在競(jìng)賽實(shí)踐中，這種經(jīng)驗(yàn)在特征工程上表現(xiàn)得尤為明顯。所謂特征工程，指的就是從數(shù)據(jù)中抽取包含大量信息的特征，方便模型易于學(xué)習(xí)的過(guò)程。
現(xiàn)在數(shù)據(jù)科學(xué)的許多初學(xué)者都“迷信”LGBM和XGBoost，因?yàn)樗鼈兊男Ч_實(shí)好，準(zhǔn)確率很高。相應(yīng)的，傳統(tǒng)的線性回歸和KNN開(kāi)始淡出人們的視野。
但在某些情況下，線性回歸的效果其實(shí)不一定比GBM樹(shù)差，甚至有時(shí)還更好。以我個(gè)人的經(jīng)歷為例，線性回歸模型在曾在不少競(jìng)賽中幫助我取得優(yōu)勢(shì)。
統(tǒng)計(jì)學(xué)家喬治·博克有一句話，被不少統(tǒng)計(jì)學(xué)從業(yè)者奉為圭臬：
所有的模型都是錯(cuò)誤的，但其中有些是有用的。
這意味著模型只有在發(fā)現(xiàn)某些和目標(biāo)變量有重大關(guān)系的特征時(shí)，它才是強(qiáng)大的。而這就是特征工程發(fā)揮作用的地方——我們?cè)O(shè)計(jì)、創(chuàng)建新特征，以便模型從中提取重要相關(guān)性。
之前我參加過(guò)DataHack的一個(gè)競(jìng)賽，內(nèi)容是用數(shù)據(jù)集預(yù)測(cè)電力消耗。通過(guò)熱圖和探索性數(shù)據(jù)分析，我繪制了以下這幅圖：
熱圖的縱坐標(biāo)DOW表示一周7天，橫坐標(biāo)則是一天24小時(shí)。很明顯，周末整天的用電情況和工作日深夜的用電情況十分類(lèi)似。由此，我創(chuàng)建了一個(gè)特征——weekend proximity，它不僅提高了模型得分，還幫我最終贏得了比賽。
因此，在機(jī)器學(xué)習(xí)競(jìng)賽中善用創(chuàng)造力十分重要，下面是幾個(gè)大家都知道但不常用的特征工程技巧，其中部分還有些旁門(mén)左道：
Kaggle上有一個(gè)微軟惡意軟件分類(lèi)挑戰(zhàn)，它的數(shù)據(jù)集包含一組已知的惡意軟件文件，對(duì)于每個(gè)文件，原始數(shù)據(jù)包含文件二進(jìn)制內(nèi)容的十六進(jìn)制表示。此前，參賽者在網(wǎng)上從沒(méi)接觸過(guò)類(lèi)似的數(shù)據(jù)集，而他們的目標(biāo)是開(kāi)發(fā)最優(yōu)分類(lèi)算法，把測(cè)試集中的文件放到各自所屬的類(lèi)別中。
比賽進(jìn)行到最后，“say NOOOOO to overfittttting”贏得了第一名，他們的制勝法寶是把原始數(shù)據(jù)的圖像表示作為特征。
我們把惡意文件的字節(jié)文檔看成黑白圖像，其中每個(gè)字節(jié)的像素強(qiáng)度在0-255之間。然而，標(biāo)準(zhǔn)圖像處理技術(shù)與n-gram等其他特征不兼容。所以之后，我們從asm文件而不是字節(jié)文件中提取黑白圖像。
下圖是同一惡意軟件的字節(jié)圖像、asm圖像對(duì)比：
字節(jié)圖像（左）asm圖像（右）
asm文件是用匯編語(yǔ)言寫(xiě)成的源程序文件。這個(gè)團(tuán)隊(duì)發(fā)現(xiàn)把a(bǔ)sm文件轉(zhuǎn)成圖像后，圖像的前800-1000個(gè)像素的像素強(qiáng)度可以作為分類(lèi)惡意軟件的一個(gè)可靠特征。
雖然他們表示并不知道為什么這么做會(huì)奏效，因?yàn)閱为?dú)使用這個(gè)特征并不會(huì)給分類(lèi)器性能帶來(lái)明顯變化，但當(dāng)它和其他n-gram特征一起使用時(shí)，性能提升效果就很顯著了。
把原始數(shù)據(jù)轉(zhuǎn)換成圖像，并把像素作為特征。這是Kaggle競(jìng)賽中出現(xiàn)的令人驚嘆的特征工程之一。
當(dāng)處理過(guò)的特征在沒(méi)有應(yīng)用任何機(jī)器學(xué)習(xí)的情況下，可以非常完美地解釋目標(biāo)時(shí)，這可能發(fā)生了數(shù)據(jù)泄露。
最近Kaggle上的一個(gè)競(jìng)賽——桑坦德客戶價(jià)值預(yù)測(cè)挑戰(zhàn)賽發(fā)生了數(shù)據(jù)泄露，參賽者只需對(duì)行和列的序列做蠻力搜索，最終就能很好地解釋目標(biāo)。
桑坦德的數(shù)據(jù)泄露
如上圖所示，目標(biāo)變量明顯被泄漏到了f190486列中。事實(shí)上，我沒(méi)有用任何機(jī)器學(xué)習(xí)就得到了0.57分，這在排行榜上是個(gè)高分。在競(jìng)賽截止日期前二十天左右，主持競(jìng)賽的桑坦德銀行終于發(fā)現(xiàn)了這個(gè)問(wèn)題，但他們最終還是決定繼續(xù)比賽，讓參賽者假設(shè)這是一個(gè)數(shù)據(jù)屬性。
雖然這種錯(cuò)誤非常罕見(jiàn)，但如果只是想在競(jìng)賽中取得好排名，你可以在一開(kāi)始從文件名、圖像元數(shù)據(jù)以及序號(hào)等特征中嘗試提取模式。請(qǐng)注意，這種做法本身對(duì)實(shí)際的數(shù)據(jù)科學(xué)問(wèn)題沒(méi)有作用。
比起在IDA和其它特征上花費(fèi)大量時(shí)間，如果你真的每次都認(rèn)真做探索性數(shù)據(jù)分析了（EDA），你可能會(huì)因此發(fā)現(xiàn)競(jìng)賽“捷徑”。
對(duì)于資歷較老的數(shù)據(jù)科學(xué)參賽者，他們對(duì)基礎(chǔ)特征工程技巧肯定十分熟悉，比如Label Encoding、one-hot編碼、Binning等等。然而，這些方法非常普通，現(xiàn)在每個(gè)人都知道它們?cè)撛趺从谩?/p>
為了從人群中脫穎而出，為了在排行榜上占據(jù)更高的名次，我們需要發(fā)掘一些聰明的方法，比如自編碼器。自編碼器能從數(shù)據(jù)樣本中進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，這意味著算法直接從訓(xùn)練數(shù)據(jù)中捕捉最顯著的特征，無(wú)需其他特征工程。
自編碼器
自編碼器只是給定一個(gè)表征學(xué)習(xí)模型，它學(xué)習(xí)輸入，然后生成輸入本身。
例：這就像給一個(gè)人看一張關(guān)于貓的圖像，然后要求他在一段時(shí)間后畫(huà)出自己看到的那只貓。
直覺(jué)是學(xué)習(xí)過(guò)程中提取到的最佳觀察特征。在上面這個(gè)例子中，人類(lèi)肯定會(huì)畫(huà)兩只眼睛、三角形的耳朵和胡須。然后后面的模型會(huì)把這些直覺(jué)作為分類(lèi)的重要依據(jù)。
均值編碼其實(shí)還是很常見(jiàn)的，這是一種非常適合初學(xué)者的技巧，能在解決問(wèn)題的同時(shí)提供更高的準(zhǔn)確性。如果我們用訓(xùn)練數(shù)據(jù)中的目標(biāo)值替換分類(lèi)值，這叫Target Encoding；如果我們用平均數(shù)這樣的統(tǒng)計(jì)量度來(lái)對(duì)分類(lèi)值進(jìn)行編碼，這就叫均值編碼（Mean Encoding）。
下面是一個(gè)示例，我們需要基于每類(lèi)目標(biāo)變量的value_counts，通過(guò)標(biāo)簽數(shù)量、目標(biāo)變量編碼標(biāo)簽。
其中，feature_label是scikit-learn編碼的標(biāo)簽，feature_mean就是莫斯科標(biāo)簽下的真實(shí)目標(biāo)數(shù)量/莫斯科標(biāo)簽下的目標(biāo)總數(shù)，也就是2/5=0.4。
同理，對(duì)于Tver標(biāo)簽——
m=Tver標(biāo)簽下的真實(shí)目標(biāo)數(shù)量=3
n=Tver標(biāo)簽下的目標(biāo)總數(shù)=4
相應(yīng)的，Tver編碼就是m/n=3/4=0.75（約等于0.8）
問(wèn)：為什么均值編碼優(yōu)于其他編碼方法？
答：如果數(shù)據(jù)具有高基數(shù)類(lèi)別屬性，那么相比其他編碼方法，均值編碼是更簡(jiǎn)單高效的一種方案。
數(shù)據(jù)分析中經(jīng)常會(huì)遇到類(lèi)別屬性，比如日期、性別、街區(qū)編號(hào)、IP地址等。絕大部分?jǐn)?shù)據(jù)分析算法是無(wú)法直接處理這類(lèi)變量的，需要先把它們先處理成數(shù)值型量。如果這些變量的可能值很少，我們可以用常規(guī)的one-hot編碼和label encoding。
但是，如果這些變量的可能值很多，也就是高基數(shù)，那么在這種情況下，使用label encoding會(huì)出現(xiàn)一系列連續(xù)數(shù)字（基數(shù)范圍內(nèi)），在特征中添加噪聲標(biāo)簽和編碼會(huì)導(dǎo)致精度不佳。而如果使用的是one-hot編碼，隨著特征不斷增加，數(shù)據(jù)集的維數(shù)也在不斷增加，這會(huì)阻礙編碼。
因此，這時(shí)均值編碼是最好的選擇之一。但它也有缺點(diǎn)，就是容易過(guò)擬合，所以使用時(shí)要配合適當(dāng)?shù)恼齽t化技術(shù)。
嚴(yán)格意義上來(lái)說(shuō)，這不屬于特征工程。但是，當(dāng)我們拿到一個(gè)高度偏斜的數(shù)據(jù)時(shí)，如果我們不做任何處理，最后模型的性能肯定會(huì)受影響。
目標(biāo)分布
如上圖所示，這里的數(shù)據(jù)高度偏斜，如果我們把目標(biāo)變量轉(zhuǎn)成log(1+目標(biāo))格式，那么它的分布就接近高斯分布了。
需要注意的是，提交預(yù)測(cè)值時(shí)，我們需要進(jìn)行轉(zhuǎn)換：predictions = np.exmp1(log_predictions)。
以上就是我的經(jīng)驗(yàn)，希望本文對(duì)你有幫助！
聯(lián)系客服
