【導(dǎo)讀】如今機(jī)器學(xué)習(xí)正在從人工設(shè)計(jì)模型更多地轉(zhuǎn)移到自動優(yōu)化工作流中，如 H20、TPOT 和 auto-sklearn 等工具已被廣泛使用。這些庫以及隨機(jī)搜索等方法都致力于尋找最適合數(shù)據(jù)集的模型，以此簡化模型篩選與調(diào)優(yōu)過程，而不需要任何人工干預(yù)。然而，特征工程作為機(jī)器學(xué)習(xí)過程中最有價值的一個環(huán)節(jié)，卻幾乎一直由人工來完成。

在本文中，我們通過引用一個數(shù)據(jù)集作為例子來給大家介紹基礎(chǔ)知識，并給大家介紹一個基于 Featuretools Python 庫來實(shí)現(xiàn)特征工程自動化的實(shí)例。

前言

特征工程也可以稱作特征構(gòu)造，是基于現(xiàn)有數(shù)據(jù)構(gòu)造新特征來訓(xùn)練機(jī)器學(xué)習(xí)模型的過程?？梢哉f這個環(huán)節(jié)比我們具體使用什么模型更重要，因?yàn)闄C(jī)器學(xué)習(xí)算法只會基于我們提供給它的數(shù)據(jù)進(jìn)行學(xué)習(xí)，所以構(gòu)造與目標(biāo)任務(wù)相關(guān)的特征是極其重要的（詳見論文「A Few Useful Things to Know about Machine Learning」）。

論文鏈接：

https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf

一般來說，特征工程是一個漫長的人工過程，依賴于領(lǐng)域知識、直覺及數(shù)據(jù)操作。這一過程是極其單調(diào)的，而且最終的特征結(jié)果會受人的主觀性和時間所限制。自動特征工程旨在幫助數(shù)據(jù)科學(xué)家基于數(shù)據(jù)集自動地構(gòu)造候選特征，并從中挑選出最適合于訓(xùn)練的特征。

特征工程基礎(chǔ)知識

特征工程意味著基于現(xiàn)有數(shù)據(jù)構(gòu)造額外的特征，這些待分析的數(shù)據(jù)往往分布在多張相關(guān)聯(lián)的表中。特征工程需要從數(shù)據(jù)中提取信息，然后將其整合成一張單獨(dú)的表用來訓(xùn)練機(jī)器學(xué)習(xí)模型。

特征構(gòu)造是一個非常耗時的過程，因?yàn)槊總€新特征都需要經(jīng)過幾個步驟去構(gòu)造，特別是那些需要用到多張表信息的特征。我們可以把這些特征構(gòu)造的操作合起來，分成兩個類：“轉(zhuǎn)換（transformation）”和“聚合（aggregation）”。下面我們通過幾個例子來理解一下這些概念。

“轉(zhuǎn)換”適用于單張表格，這個環(huán)節(jié)基于一個或多個現(xiàn)有數(shù)據(jù)列構(gòu)造新的特征。例如，現(xiàn)在我們有下面這張客戶數(shù)據(jù)表：

我們可以通過查找 joined 列的月份或?qū)?income 列取自然對數(shù)來構(gòu)造新特征。這些都屬于“轉(zhuǎn)換”操作，因?yàn)樗鼈兌贾挥昧藖碜砸粡埍淼男畔ⅰ?/p>

另一方面，“聚合”是需要進(jìn)行跨表操作的，并且要基于一對多的關(guān)系來把觀測值分組，然后進(jìn)行數(shù)據(jù)統(tǒng)計(jì)。例如，如果我們有另一張關(guān)于客戶貸款信息的表格，其中每位客戶可能有多筆貸款，那么我們就可以計(jì)算每位客戶貸款額的平均值、最大值和最小值等統(tǒng)計(jì)量了。

這一過程包括根據(jù)不同用戶對貸款數(shù)據(jù)表進(jìn)行分組，計(jì)算聚合后的統(tǒng)計(jì)量，然后把結(jié)果整合到客戶數(shù)據(jù)中。以下是我們在 Python 中用 Pandas 執(zhí)行此過程的代碼：

importpandasaspd#Grouploansbyclientidandcalculatemean,max,minofloansstats=loans.groupby('client_id')['loan_amount'].agg(['mean','max','min'])stats.columns=['mean_loan_amount','max_loan_amount','min_loan_amount']#Mergewiththeclientsdataframestats=clients.merge(stats,left_on='client_id',right_index=True,how='left')stats.head(10)

這些操作本身并不難，但如果我們有上百個變量，它們分布在幾十張表中，若要手動完成這一過程就比較困難了。理想情況下，我們想找到一個解決方案，可以自動執(zhí)行多個表的轉(zhuǎn)換和聚合，并將結(jié)果數(shù)據(jù)整合到一張表中。雖然 Pandas 是非常棒的資源，但需要我們手動完成的數(shù)據(jù)操作工作量仍非常巨大！

▌特征工具（Featuretools）

幸運(yùn)的是，特征工具正是我們在找的解決方案。這個開源的 Python 庫可以基于一組相關(guān)的表自動創(chuàng)建特征。特征工具以“深度特征合成（Deep Feature Synthesis，簡稱 DFS）”為基礎(chǔ)，這個方法聽起來比它本身要高級很多（之所以叫“深度特征合成”，不是因?yàn)槭褂昧?a href="http://www.socialnewsupdate.com/v/tag/448/" target="_blank">深度學(xué)習(xí)，而是疊加了多重特征）。

深度特征合成疊加了多重轉(zhuǎn)換和聚合操作，這在特征工具詞庫中被稱作特征基元 (feature primitives)，用于通過多張表的數(shù)據(jù)來構(gòu)造特征。和機(jī)器學(xué)習(xí)中的大多數(shù)方法一樣，這是一個以簡單概念為基礎(chǔ)的復(fù)雜方法。通過每次學(xué)習(xí)一個構(gòu)造塊，我們就可以很好地理解這個強(qiáng)大的方法。

首先，我們來看一下例子中的數(shù)據(jù)。我們已經(jīng)看到上面提到的部分?jǐn)?shù)據(jù)集，全部的表如下所示：

clients：關(guān)于一家信用社客戶的基本信息。每位客戶只對應(yīng)表中的一行數(shù)據(jù)。

loans：客戶名下的貸款。每筆貸款只對應(yīng)表中的一行數(shù)據(jù)，但每位客戶名下可能有多筆貸款。

payments：還貸金額。每筆支付只對應(yīng)一行數(shù)據(jù)，但每項(xiàng)貸款可能分多次支付。

如果我們有一個機(jī)器學(xué)習(xí)任務(wù)，比如預(yù)測某位客戶是否會還清未來的一筆貸款，我們需要把有關(guān)客戶的所有信息都整合到一張表中。這些表通過變量 client_id 和 loan_id 相互關(guān)聯(lián)，我們可以用一系列轉(zhuǎn)換和聚合來手動完成這一過程。然而我們很快就會發(fā)現(xiàn)，我們可以使用特征工具來將這個過程自動化。

▌實(shí)體與實(shí)體集

首先要介紹特征工具的兩個概念：實(shí)體 (entity) 和實(shí)體集 (entityset)。簡單來說，一個實(shí)體就是一張表（即 Pandas 中的一個 DataFrame）。一個實(shí)體集是指多個表的集合以及它們之間的相互關(guān)系。我們可以把實(shí)體集看作一種 Python 的數(shù)據(jù)結(jié)構(gòu)，且有其專屬的方法和屬性。

我們可以在特征工具中創(chuàng)建一個空的實(shí)體集，如下所示：

importfeaturetoolsasft#Createnewentitysetes=ft.EntitySet(id='clients')

現(xiàn)在我們要把多個實(shí)體進(jìn)行合并。每個實(shí)體必須帶有一個索引，即所有元素都唯一的數(shù)據(jù)列。也就是說，索引列中的每個值在表中只能出現(xiàn)一次。

clients 數(shù)據(jù)框（dataframe）的索引是 client_id，因?yàn)槊课豢蛻舳贾粚?yīng)表中的一行數(shù)據(jù)。我們可以通過如下語法把一個帶有索引的實(shí)體加入一個實(shí)體集：

#Createanentityfromtheclientdataframe#Thisdataframealreadyhasanindexandatimeindexes=es.entity_from_dataframe(entity_id='clients',dataframe=clients,index='client_id',time_index='joined')

loans 數(shù)據(jù)框也有唯一索引 loan_id，將其加入實(shí)體集的語法和處理 clients 的語法相同。然而，payments 數(shù)據(jù)框中沒有唯一的索引。若我們想把這個實(shí)體加入實(shí)體集，則需要讓 make_index = True，并指定一個索引名。雖然特征工具可以自動推斷實(shí)體中每一列的數(shù)據(jù)類型，但我們也可以通過把數(shù)據(jù)類型字典傳入?yún)?shù) variable_types 來將其覆蓋。

#Createanentityfromthepaymentsdataframe#Thisdoesnotyethaveauniqueindexes=es.entity_from_dataframe(entity_id='payments',dataframe=payments,variable_types={'missed':ft.variable_types.Categorical},make_index=True,index='payment_id',time_index='payment_date')

對于這個數(shù)據(jù)框，雖然 missed 是整數(shù)，但并不是數(shù)值變量，因?yàn)樗荒苋蓚€離散值，所以我們讓特征工具將其當(dāng)作一個類別變量處理。將數(shù)據(jù)框全部加入實(shí)體集后，我們看到：

根據(jù)我們指定的修正方案，這些列的類型都被正確識別了。下一步，我們需要指定實(shí)體集中各個表之間的關(guān)聯(lián)。

▌表之間的關(guān)聯(lián)

研究兩表之間關(guān)系的最好方法是與父子關(guān)系進(jìn)行類比。這是一種一對多的關(guān)系：每位父親可能有多個孩子。從表的角度來看，父表中的每一行對應(yīng)一位父親，但子表可能有多行數(shù)據(jù)，就像同一位父親的多個孩子。

例如，在我們的數(shù)據(jù)集中，clients 是 loans 的父表。每位客戶只對應(yīng) clients 表中的一行數(shù)據(jù)，但可能對應(yīng) loans 表中的多行數(shù)據(jù)。同樣，loans 是 payments 的父表，因?yàn)槊抗P貸款可能包含多筆支付。父表通過共有的變量與子表相連接。當(dāng)執(zhí)行聚合操作時，我們根據(jù)父表的變量對子表進(jìn)行歸類，并計(jì)算每個子表的統(tǒng)計(jì)量。

若要標(biāo)明特征工具中的關(guān)聯(lián)，我們只需指定連接兩張表的變量。表 clients 和表 loans 是通過變量 client_id 相關(guān)聯(lián)的，表 loans 和表 payments 通過 loan_id 相關(guān)聯(lián)?？赏ㄟ^如下語法創(chuàng)建關(guān)聯(lián)并將其加入實(shí)體集：

#Relationshipbetweenclientsandpreviousloansr_client_previous=ft.Relationship(es['clients']['client_id'],es['loans']['client_id'])#Addtherelationshiptotheentitysetes=es.add_relationship(r_client_previous)#Relationshipbetweenpreviousloansandpreviouspaymentsr_payments=ft.Relationship(es['loans']['loan_id'],es['payments']['loan_id'])#Addtherelationshiptotheentitysetes=es.add_relationship(r_payments)es

該實(shí)體集現(xiàn)在包括三個實(shí)體以及連接這些實(shí)體之間的關(guān)系。加入實(shí)體并標(biāo)明關(guān)聯(lián)后，我們的實(shí)體集就完整了，并做好了構(gòu)造新特征的準(zhǔn)備。

▌特征基元

在正式進(jìn)行深度特征合成之前，我們需要理解特征基元這個概念。我們已經(jīng)知道了特征基元是什么，但也只是了解用什么名字來稱呼它們。下面是我們構(gòu)造新特征時的基本操作：

聚合：基于父表與子表的關(guān)聯(lián)（一對多）完成的系列操作，即根據(jù)父表對子表進(jìn)行分組并計(jì)算其統(tǒng)計(jì)量。例如，根據(jù) client_id 對 loan 表進(jìn)行分組，并找到每位客戶最大的貸款數(shù)額。

轉(zhuǎn)換：對一張表中一列或多列進(jìn)行的操作。例如，計(jì)算一張表中兩列的差值或計(jì)算一列的絕對值。

在特征工具中，我們可以通過單個基元或者疊加多個基元來構(gòu)造新特征。下面是特征工具中一些特征基元的列表（我們也可以自定義基元）：

▌特征基元

這些基元可以拿來單獨(dú)使用或者結(jié)合起來構(gòu)造新的特征。根據(jù)特定的基元，我們可以使用 ft.dfs 函數(shù)（即深度特征合成）來構(gòu)造特征。我們將所選的 trans_primitives（轉(zhuǎn)換）和 agg_primitives（聚合）傳入 entityset（實(shí)體集）和 target_entity（目標(biāo)實(shí)體），即我們想要添加特征的表：

#Createnewfeaturesusingspecifiedprimitivesfeatures,feature_names=ft.dfs(entityset=es,target_entity='clients',agg_primitives=['mean','max','percent_true','last'],trans_primitives=['years','month','subtract','divide'])

得到的結(jié)果是一個含有新特征的客戶數(shù)據(jù)框（因?yàn)槲覀儼延脩舢?dāng)作了 target_entity）。例如，若我們知道每位用戶加入的月份，這可以作為一個轉(zhuǎn)換特征基元：

我們也有許多聚合基元，如每位客戶的平均支付額：

雖然我們只列舉了一部分特征基元，但實(shí)際上特征工具通過結(jié)合與疊加這些基元構(gòu)造了許多新的特征。

完整的數(shù)據(jù)框包含了793個新特征！

▌深度特征合成

現(xiàn)在我們已經(jīng)做好理解深度特征合成的全部準(zhǔn)備了。實(shí)際上，我們在之前執(zhí)行函數(shù)時已經(jīng)使用過深度特征合成了！深度特征是指通過疊加多個基元得到的特征，深度特征合成是指構(gòu)造這些特征的過程。一個深度特征的深度是為構(gòu)造這個特征所使用的基元數(shù)目。

例如，MEAN(payments.payment_amount)列是一個深度為 1 的深度特征，因?yàn)樗跇?gòu)造過程中只使用了一個聚合基元。LAST(loans(MEAN(payments.payment_amount)) 是一個深度為 2 的特征，它由兩個聚合基元疊加構(gòu)成：將 LAST 疊加在了 MEAN 上。這個特征代表客戶最近一筆支付額的平均值。

我們可以疊加特征到任何想達(dá)到的深度，但事實(shí)上，我從來沒有用過深度超過 2 的特征。關(guān)于這一點(diǎn)很難解釋清楚，但我鼓勵感興趣的人嘗試更進(jìn)一步的探索。

我們無需手動指定特征基元，特征工具可以幫助我們自動選擇特征。為此，我們同樣使用 ft.dfs 函數(shù)來調(diào)用但無需傳入任何特征基元：

#Performdeepfeaturesynthesiswithoutspecifyingprimitivesfeatures,feature_names=ft.dfs(entityset=es,target_entity='clients',max_depth=2)features.head()

特征工具構(gòu)造了許多供我們使用的新特征。雖然這一過程可以自動構(gòu)造新特征，但它不會取代數(shù)據(jù)科學(xué)家的位置，因?yàn)槲覀冞€要清楚如何使用這些特征。例如，如果我們的目標(biāo)是預(yù)測某位客戶是否會償還貸款，那么我們要找出與指定結(jié)果相關(guān)度最高的特征。此外，如果我們有領(lǐng)域知識，則可以利用領(lǐng)域知識來選出特定的特征基元，或通過深度特征合成從候選特征中得到種子特征。

▌下一步

自動特征工程解決了一個問題，但也制造了另一個問題：特征過多。雖然在擬合模型前我們很難說哪些特征是重要的，但肯定不是所有特征都與目標(biāo)任務(wù)相關(guān)。而且，特征過多可能會導(dǎo)致模型性能很差，因?yàn)椴荒敲粗匾奶卣鲿绊懙侥切└匾奶卣鳌?/p>

由特征過多導(dǎo)致的問題又被公認(rèn)為“維度的詛咒”。對于模型來說，特征數(shù)量上升了（即數(shù)據(jù)維度增加了），學(xué)習(xí)特征和目標(biāo)之間的映射規(guī)則也會變得更加困難。實(shí)際上，使模型有良好表現(xiàn)所需的數(shù)據(jù)量與特征數(shù)目呈指數(shù)關(guān)系。

“維度的詛咒”可以通過特征降維（也被稱為特征選擇）來減輕：這是一個剔除不相關(guān)特征的過程。我們可以通過多種途徑實(shí)現(xiàn)：主成分分析 (PCA)、SelectKBest、使用模型的特征重要性或使用深度神經(jīng)網(wǎng)絡(luò)來自動編碼。和今天要探討的內(nèi)容相比，特征降維應(yīng)該另起一篇文章來單獨(dú)討論更合適。到現(xiàn)在為止，我們已經(jīng)知道如何使用特征工具，從諸多數(shù)據(jù)表中輕松構(gòu)造大量的特征了！

總結(jié)

同機(jī)器學(xué)習(xí)中的許多主題一樣，基于特征工具的自動特征工程是一個以簡單概念為基礎(chǔ)的復(fù)雜方法?；趯?shí)體集、實(shí)體和關(guān)聯(lián)等概念，特征工具可以通過深度特征合成來構(gòu)造新的特征。深度特征合成將包含了表間一對多關(guān)聯(lián)的“聚合”特征基元依次疊加，“轉(zhuǎn)換”函數(shù)被用于單張表中的一列或多列數(shù)據(jù)，以此來從多張表中構(gòu)造新的特征。

在之后的文章中，AI科技大本營也會介紹在實(shí)際應(yīng)用（如 Kaggle 競賽）中如何使用這項(xiàng)技術(shù)。模型的好壞取決于我們?yōu)樗峁┑臄?shù)據(jù)，而自動特征工程有助于使特征構(gòu)造過程的效率更高。希望本文介紹的自動特征工程可以幫到大家。

關(guān)于特征工具的更多信息，包括更高級的應(yīng)用方法，可以查看在線文檔。