Python中大型数据集的向后消除

Question

我参加了在线课程，讲师使用数据集（50,5）解释了向后消除，您可以通过查看列的p值来手动消除列。

 import statsmodels.api as sm
 X = np.append(arr = np.ones((2938, 1)).astype(int), values = X, axis = 1)
 X_opt = X[:, [0,1,2,3,4,5]]
 regressor_OLS = sm.OLS(endog = y, exog = X_opt).fit()
 regressor_OLS.summary()

 # Second Step
 X_opt = X[:, [0,1,,3,4,5]]
 regressor_OLS = sm.OLS(endog = y, exog = X_opt).fit()
 regressor_OLS.summary() 
 # and so on

现在在处理诸如（2938，214）这样的大型数据集时，我是否必须自己消除所有列？因为那是很多工作，或者有某种算法或方法可以做到。

这可能是一个愚蠢的问题，但是我是机器学习的初学者，所以请您多多帮助。谢谢

Answer 1

您要尝试做的事情称为“递归特征消除”，简称RFE。

sklearn.feature_selection.RGE中的示例：

sklearn.feature_selection.RGE

这将消除使用

from sklearn.datasets import make_friedman1
from sklearn.feature_selection import RFE 
from sklearn.svm import SVR 

X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
estimator = SVR(kernel="linear")
selector = RFE(estimator, 5, step=1)
selector = selector.fit(X, y)

的功能，直到只剩下最重要的SVR。您可以使用提供5对象成员的任何算法。

关于feature_importances_，您可以消除所有大于阈值的情况（假设零假设是该系数没有意义，例如为零），但请参见下文。

[请记住，通常系数权重会随着其中一些权重的去除而发生变化（如此处或在RFE中），因此，这只是一个近似值，取决于许多因素。您可以进行其他预处理，例如删除相关特征或使用带有L1罚分的OLS，这只会选择最有用的因素。