利用随机森林来进行特征选择(Python代码实现)
toyiye 2024-09-14 13:47 12 浏览 0 评论
当数据集的特征过多时,容易产生过拟合,可以用随机森林来在训练之后可以产生一个各个特征重要性的数据集,利用这个数据集,确定一个阈值,选出来对模型训练帮助最大的一些特征,筛选出重要变量后可以再训练模型;
本文所用数据集是从kaggle网站上下载的lend club数据,通过随机森林筛选出对预测是否逾期的重要性变量:
# 首先导入数据,查看数据集的基本情况: df = pd.read_csv('loan.csv') df.head() df.shape 数据集共887379行,74列
#然后转换目标值,将Charged Off和Late (31-120 days归为坏客户1,其余归为0 df['loan_status'].unique() df['y'] = df['loan_status'].map(lambda x: int((x == 'Charged Off') | (x == 'Late (31-120 days'))) df.drop('loan_status', axis=1,inplace=True)
接下来处理特征变量,先剔除一些对预测无关的贷后和贷中变量:
df.drop(['id', 'member_id', 'url','next_pymnt_d','last_pymnt_d', 'pymnt_plan','last_credit_pull_d','total_rec_prncp', 'total_rec_int','out_prncp','last_pymnt_amnt', 'installment','total_pymnt_inv', 'total_rec_prncp', 'total_rec_int'], axis=1,inplace=True)
再删除缺失值大于90%的变量:
df.dropna(thresh = len(df) * 0.1 , axis=1,inplace=True)
接下来补全缺失值,对缺失值较多变量,将缺失值作为一种状态,对缺失值较少的变量,数值型用平均值补全,类别型用众数补全:
#对于desc有描述的标为1,空值标为0 def Desc(x): if type(x).__name__ == 'float': return 0 else: return 1 df['desc']= df['desc'].map(Desc) #emp_title空值用“空值”补全 df['emp_title'] = df['emp_title'].fillna('missing') '''mths_since_last_delinq,mths_since_last_record , mths_since_last_major_derog ,tot_coll_amt,tot_cur_bal, total_rev_hi_lim 用-1代替''' for col in ['mths_since_last_delinq','mths_since_last_record', 'mths_since_last_major_derog','tot_coll_amt', 'tot_cur_bal','total_rev_hi_lim']: df[col].fillna(-1,inplace=True) #剩余缺失值较少的,数值型变量用平均值代替 for col in ['annual_inc','acc_now_delinq', 'collections_12_mths_ex_med','total_acc', 'pub_rec','open_acc','inq_last_6mths','delinq_2yrs', 'revol_util']: df[col].fillna(df[col].mean(), inplace=True)
另外再构造一个衍生变量,算申请时间issue_d和第一次借贷时间earliest_cr_line之间的月份差值
import datetime def ConvertDate(x): mth_dict = {'Jan': 1, 'Feb': 2, 'Mar': 3, 'Apr': 4, 'May': 5, 'Jun': 6, 'Jul': 7, 'Aug': 8, 'Sep': 9, 'Oct': 10, 'Nov': 11, 'Dec': 12} yr = int(x[4:6]) mth = mth_dict[x[:3]] return datetime.datetime(yr, mth, 1) df['issue_d'] = df['issue_d'].map(lambda x :ConvertDate(x)) df['earliest_cr_line'] = df['earliest_cr_line'].map(lambda x :ConvertDate(x)) from dateutil.relativedelta import relativedelta def MonthGap(earlyDate, lateDate): if lateDate > earlyDate: gap = relativedelta(lateDate, earlyDate) yr = gap.years mth = gap.months return yr*12 + mth else: return 0 df['earliest_cr_to_app'] = df.apply(lambda x : MonthGap(x.earliest_cr_line, x.issue_d),axis=1) df.drop(['issue_d', 'earliest_cr_line'],axis=1, inplace=True)
因为决策树只能处理数值型和标称型变量,所以转换一下类别变量
'''因为本文只运用随机森林来判断变量的重要性,而树模型不需要One-Hot编码, 所以只对类型型变量LabelEncoding就可以''' #term ,将months替换成空值 df['term']= df['term'].apply(lambda x :int(x.replace("months" , ""))) cols = df.select_dtypes(include=['O']).columns.tolist() for col in cols: df[col] = preprocessing.LabelEncoder().fit_transform(df[col])
训练模型
#训练模型,这里随机森林模型参数都用默认值 y = df['y'] x = df.drop('y', axis=1) clf = RandomForestClassifier() clf.fit(x, df['y'])
筛选变量:
importance = clf.feature_importances_ indices = np.argsort(importance)[::-1] features = x.columns for f in range(x.shape[1]): print(("%2d) %-*s %f" % (f + 1, 30, features[f], importance[indices[f]])))
现在各变量对是否逾期的重要性就计算出来了,如果接下来运用这些变量预测是否逾期的模型是树模型或者朴素贝叶斯模型,就可以直接通过重要性大于某个阈值或者重要性排名大于某个某个阈值来筛选出变量训练模型了,如果是接下来用回归模型或者线性模型,还需要考虑各个变量之间的共线性;
相关推荐
- 为何越来越多的编程语言使用JSON(为什么编程)
-
JSON是JavascriptObjectNotation的缩写,意思是Javascript对象表示法,是一种易于人类阅读和对编程友好的文本数据传递方法,是JavaScript语言规范定义的一个子...
- 何时在数据库中使用 JSON(数据库用json格式存储)
-
在本文中,您将了解何时应考虑将JSON数据类型添加到表中以及何时应避免使用它们。每天?分享?最新?软件?开发?,Devops,敏捷?,测试?以及?项目?管理?最新?,最热门?的?文章?,每天?花?...
- MySQL 从零开始:05 数据类型(mysql数据类型有哪些,并举例)
-
前面的讲解中已经接触到了表的创建,表的创建是对字段的声明,比如:上述语句声明了字段的名称、类型、所占空间、默认值和是否可以为空等信息。其中的int、varchar、char和decimal都...
- JSON对象花样进阶(json格式对象)
-
一、引言在现代Web开发中,JSON(JavaScriptObjectNotation)已经成为数据交换的标准格式。无论是从前端向后端发送数据,还是从后端接收数据,JSON都是不可或缺的一部分。...
- 深入理解 JSON 和 Form-data(json和formdata提交区别)
-
在讨论现代网络开发与API设计的语境下,理解客户端和服务器间如何有效且可靠地交换数据变得尤为关键。这里,特别值得关注的是两种主流数据格式:...
- JSON 语法(json 语法 priority)
-
JSON语法是JavaScript语法的子集。JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔花括号保存对象方括号保存数组JS...
- JSON语法详解(json的语法规则)
-
JSON语法规则JSON语法是JavaScript对象表示法语法的子集。数据在名称/值对中数据由逗号分隔大括号保存对象中括号保存数组注意:json的key是字符串,且必须是双引号,不能是单引号...
- MySQL JSON数据类型操作(mysql的json)
-
概述mysql自5.7.8版本开始,就支持了json结构的数据存储和查询,这表明了mysql也在不断的学习和增加nosql数据库的有点。但mysql毕竟是关系型数据库,在处理json这种非结构化的数据...
- JSON的数据模式(json数据格式示例)
-
像XML模式一样,JSON数据格式也有Schema,这是一个基于JSON格式的规范。JSON模式也以JSON格式编写。它用于验证JSON数据。JSON模式示例以下代码显示了基本的JSON模式。{"...
- 前端学习——JSON格式详解(后端json格式)
-
JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。它基于JavaScriptProgrammingLa...
- 什么是 JSON:详解 JSON 及其优势(什么叫json)
-
现在程序员还有谁不知道JSON吗?无论对于前端还是后端,JSON都是一种常见的数据格式。那么JSON到底是什么呢?JSON的定义...
- PostgreSQL JSON 类型:处理结构化数据
-
PostgreSQL提供JSON类型,以存储结构化数据。JSON是一种开放的数据格式,可用于存储各种类型的值。什么是JSON类型?JSON类型表示JSON(JavaScriptO...
- JavaScript:JSON、三种包装类(javascript 包)
-
JOSN:我们希望可以将一个对象在不同的语言中进行传递,以达到通信的目的,最佳方式就是将一个对象转换为字符串的形式JSON(JavaScriptObjectNotation)-JS的对象表示法...
- Python数据分析 只要1分钟 教你玩转JSON 全程干货
-
Json简介:Json,全名JavaScriptObjectNotation,JSON(JavaScriptObjectNotation(记号、标记))是一种轻量级的数据交换格式。它基于J...
- 比较一下JSON与XML两种数据格式?(json和xml哪个好)
-
JSON(JavaScriptObjectNotation)和XML(eXtensibleMarkupLanguage)是在日常开发中比较常用的两种数据格式,它们主要的作用就是用来进行数据的传...
你 发表评论:
欢迎- 一周热门
- 最近发表
- 标签列表
-
- r语言矩阵 (127)
- browsererror (114)
- exportexcel (119)
- cv2.bitwise_not (137)
- dump命令 (128)
- es6concat (126)
- heapify (127)
- java.security.egd (130)
- javax.annotation (117)
- jsstringsplit (117)
- js数字 (115)
- maven编译 (132)
- mysqlleft (128)
- nodejsbuffer (149)
- org.apache.commons.httpclient (126)
- org.jsoup (141)
- org.springframework.web (128)
- robotframework-ride (115)
- setnocounton (141)
- socket.gethostbyname (122)
- sqlmid (121)
- time.strptime (133)
- vscode格式化 (125)
- win32con (129)
- window.localstorage (126)