通过强化学习策略进行特征选择

---

特征选择是构建机器学习模型过程中的关键步骤。为模型和我们想要完成的任务选择好的特征，可以提高性能。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

如果我们处理的是高维数据集，那么选择特征就显得尤为重要。它使模型能够更快更好地学习。我们的想法是找到最优数量的特征和最有意义的特征。

在本文中，我们将介绍并实现一种新的通过强化学习策略的特征选择。我们先讨论强化学习，尤其是马尔可夫决策过程。它是数据科学领域的一种非常新的方法，尤其适用于特征选择。然后介绍它的实现以及如何安装和使用python库（FSRLearning）。最后再使用一个简单的示例来演示这一过程。

强化学习:特征选择的马尔可夫决策问题

强化学习（RL）技术可以非常有效地解决像游戏解决这样的问题。而强化学习的概念是基于马尔可夫决策过程（MDP）。这里的重点不是要深入定义而是要大致了解它是如何运作的，以及它如何对我们的问题有用。 在强化学习中，智能体通过与环境进行交互来学习。它通过观察当前状态和奖励信号来做出决策，并且会根据选择的行动获得积极或消极的反馈。智能体的目标是通过尝试不同的行动来最大化累积奖励。 强化学习的一个重要概

学习强化背后的思考是，代理从一个未知的环境开始。搜取行动来完成任务。在代理在当前状态和之前选择的行为的作用下，会更倾向于选择一些行为。在每到达一个新状态并搜取行动时，代理都会获得奖励。以下是我们需要为特征选择而定义的主要参数:

状态、行动、奖励、如何选择行动

首先，数据集中存在的特征的子集。例如，如果数据集有三个特征（年龄，性别，身高）加上一个标签，则可能的状态如下：

[] --> Empty set [Age], [Gender], [Height] --> 1-feature set [Age, Gender], [Gender, Height], [Age, Height] --> 2-feature set [Age, Gender, Height] --> All-feature set

在一个状态中，特征的顺序并不重要，我们必须把它看作一个集合，而不是一个特征列表。

关于动作，我们可以从一个子集转到任何一个尚未探索的特性的子集。在特征选择问题中，动作就是选择当前状态下尚未探索的特征，并将其添加到下一个状态中。以下是一些可能的动作:

[Age] -> [Age, Gender] [Gender, Height] -> [Age, Gender, Height]

下面是一个不可能动作的例子:

[Age] -> [Age, Gender, Height] [Age, Gender] -> [Age] [Gender] -> [Gender, Gender]

我们已经定义了状态和动作，还没有定义奖励。奖励是一个实数，用于评估状态的质量。

在特征选择问题中，一个可能的奖励是通过添加新特征而提高相同模型的准确率指标。下面是一个如何计算奖励的例子:

[Age] --> Accuracy = 0.65 [Age, Gender] --> Accuracy = 0.76 Reward(Gender) = 0.76 - 0.65 = 0.11

对于我们首次访问的每个状态，都会使用一组特征来训练一个分类器（模型）。这个值存储在该状态和对应的分类器中，训练分类器的过程是费时费力的，所以我们只训练一次。因为分类器不会考虑特征的顺序，所以我们可以将这个问题视为图而不是树。在这个例子中，选择“性别”作为模型的新特征的操作的奖励是当前状态和下一个状态之间的准确率差值。

在上图中，每个特征都被映射为一个数字(“年龄”为1，“性别”为2，“身高”为3)。我们如何从当前状态中选择下一个状态或者我们如何探索环境呢？

我们必须找到最优的方法，因为如果我们在一个有10个特征的问题中探索所有可能的特征集，那么状态的数量将是

10! + 2 = 3 628 802

这里的+2是因为考虑一个空状态和一个包含所有可能特征的状态。我们不可能在每个状态下都训练一个模型，这是不可能完成的，而且这只是有10个特征，如果有100个特征那基本上就是无解了。

但是在强化学习方法中，我们不需要在所有的状态下都去训练一个模型，我们要为这个问题确定一些停止条件，比如从当前状态随机选择下一个动作，概率为epsilon(介于0和1之间，通常在0.2左右)，否则选择使函数最大化的动作。对于特征选择是每个特征对模型精度带来的奖励的平均值。

这里的贪心算法包含两个步骤:

1、以概率为epsilon，我们在当前状态的可能邻居中随机选择下一个状态

2、选择下一个状态，使添加到当前状态的特征对模型的精度贡献最大。为了减少时间复杂度，可以初始化了一个包含每个特征值的列表。每当选择一个特性时，此列表就会更新。使用以下公式，更新是非常理想的:

AORf:特征“f”带来的奖励的平均值

K: f被选中的次数

V(F):特征集合F的状态值(为了简单描述，本文不详细介绍)

所以我们就找出哪个特征给模型带来了最高的准确性。这就是为什么我们需要浏览不同的状态，在在许多不同的环境中评估模型特征的最全局准确值。

因为目标是最小化算法访问的状态数，所以我们访问的未访问过的状态越少，需要用不同特征集训练的模型数量就越少。因为从时间和计算能力的角度来看，训练模型以获得精度是最昂贵方法，我们要尽量减少训练的次数。

最后在任何情况下，算法都会停止在最终状态（包含所有特征的集合）而我们希望避免达到这种状态，因为用它来训练模型是最昂贵的。

上面就是我们针对于特征选择的强化学习描述，下面我们将详细介绍在python中的实现。

用于特征选择与强化学习的python库

有一个python库可以让我们直接解决这个问题。但是首先我们先准备数据

我们直接使用UCI机器学习库中的数据：

#Get the pandas DataFrame from the csv file (15 features, 690 rows) australian_data = pd.read_csv('australian_data.csv', header=None)  #DataFrame with the features X = australian_data.drop(14, axis=1)  #DataFrame with the labels y = australian_data[14]

然后安装我们用到的库

灵感PPT

AI灵感PPT - 免费一键PPT生成工具

308 查看详情

pip install FSRLearning

直接导入

from FSRLearning import Feature_Selector_RL

Feature_Selector_RL类就可以创建一个特性选择器。我们需要以下的参数

feature_number (integer): DataFrame X中的特性数量

feature_structure (dictionary):用于图实现的字典

eps (float [0;1]):随机选择下一状态的概率，0为贪婪算法，1为随机算法

alpha (float [0;1]):控制更新速率，0表示不更新状态，1表示经常更新状态

gamma  (float[0,1]):下一状态观察的调节因子，0为近视行为状态，1为远视行为

nb_iter (int):遍历图的序列数

starting_state (" empty "或" random "):如果" empty "，则算法从空状态开始，如果" random "，则算法从图中的随机状态开始

所有参数都可以机型调节，但对于大多数问题来说，迭代大约100次就可以了，而epsilon值在0.2左右通常就足够了。起始状态对于更有效地浏览图形很有用，但它非常依赖于数据集，两个值都可以测试。

我们可以用下面的代码简单地初始化选择器:

fsrl_obj = Feature_Selector_RL(feature_number=14, nb_iter=100)

与大多数ML库相同，训练算法非常简单:

results = fsrl_obj.fit_predict(X, y)

下面是输出的一个例子:

输出是一个5元组，如下所示:

DataFrame X中特性的索引(类似于映射)

特征被观察的次数

所有迭代后特征带来的奖励的平均值

从最不重要到最重要的特征排序(这里2是最不重要的特征，7是最重要的特征)

全局访问的状态数

还可以与Scikit-Learn的RFE选择器进行比较。它将X, y和选择器的结果作为输入。

fsrl_obj.compare_with_benchmark(X, y, results)

输出是在RFE和FSRLearning的全局度量的每一步选择之后的结果。它还输出模型精度的可视化比较，其中x轴表示所选特征的数量，y轴表示精度。两条水平线是每种方法的准确度中值。

Average benchmark accuracy : 0.854251012145749, rl accuracy : 0.8674089068825909 Median benchmark accuracy : 0.8552631578947368, rl accuracy : 0.868421052631579 Probability to get a set of variable with a better metric than RFE : 1.0 Area between the two curves : 0.17105263157894512

可以看到RL方法总是为模型提供比RFE更好的特征集。

另一个有趣的方法是get_plot_ratio_exploration。它绘制了一个图，比较一个精确迭代序列中已经访问节点和访问节点的数量。

由于设置了停止条件，算法的时间复杂度呈指数级降低。即使特征的数量很大，收敛性也会很快被发现。下面的图表示一定大小的集合被访问的次数。

在所有迭代中，算法访问包含6个或更少变量的状态。在6个变量之外，我们可以看到达到的状态数量正在减少。这是一个很好的行为，因为用小的特征集训练模型比用大的特征集训练模型要快。

总结

我们可以看到RL方法对于最大化模型的度量是非常有效的。它总是很快地收敛到一个有趣的特性子集。该方法在使用FSRLearning库的ML项目中非常容易和快速地实现。

以上就是通过强化学习策略进行特征选择的详细内容，更多请关注其它相关文章！

# 它是  # 关键词 seo  # seo的推广原理  # 石岩教育网站推广  # 孝感科技网站优化  # 东莞网站建设制作搭建  # 唐山网络关键词优化排名  # 贵州如何推广网站赚钱呢  # 网络网站建设厂家供应  # 广告网络营销推广师  # 广安网站建设多少钱  # 我们可以  # 机器学习  # 这个问题  # 最重要  # 马尔  # 迭代  # 可以看到  # 不可能  # 选择器  # 是一个  # python  # 强化学习 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 微软新出热乎论文：Transformer扩展到10亿token  物联网“僵尸网络DDos攻击”增长惊人，威胁全球电信网络  B站内测 AI 搜索功能，输入“？”即可体验  美图发布国内首个“懂美学的”AI视觉大模型MiracleVision  AI取代人工先拿教育行业开刀？美版“作业帮”启动裁员  AI技术加速迭代：周鸿祎视角下的大模型战略  猿辅导推出Motiff，整合三大AI功能，助力UI设计生产力革新  乐天派桌面机器人加入小米米家生态系统，实现与其他智能设备的互联  微软大牛加入ZOOM，AI人才大战打响  华为大模型登Nature正刊！审稿人：让人们重新审视预报模型的未来  人工智能自己玩自己  人工智能在重症监护室的未来  焊接协作机器人或将成为26届埃森展最大看点  亲身体验鸿蒙4：AI大模型带来的便利，告别单纯的旁观者状态  剧透！蜜小豆@2025世界人工智能大会多个亮点曝光  看似低调，实则稳健：字节在AI路上会遇到什么？  借助ChatGPT快速上手ElasticSearch dsl  业内领先 四川大学华西第四医院甲状腺乳腺外科成功进入手术机器人时代  马斯克反讽人工智能AI炒作：“机器学习”本质就是统计  大型无人机FH-98国内首次夜航转场成功  360发布认知型通用大模型“360智脑4.0” 全面接入360全家桶  AI与5G的强强联合：唤醒数字时代的无尽潜能  华为HarmonyOS 4：享流畅提升20%，AI大模型更智能一览无余  美踏控股推出创新人工智能大数据模型“心乐舞河”：虚拟人音舞社交的新体验  谷歌推出 AI 反洗钱工具，可将金融机构内部风险预警准确率提高2至4倍  陈根：AI工具为游戏软件实时3D内容助力  IBM和NASA合作发布可追踪碳排放的开源AI基础模型  网易云音乐和小冰推出AI歌手音乐创作软件，首发内置12名AI歌手  首家承认ChatGPT影响其收入的公司Chegg选择拥抱AI ，裁减4%员工  聚焦人工智能大模型、AIGC 徐汇十余场重磅论坛等你来  人工智能产业协同创新中心：全产业链资源在这里汇聚  人工智能产业竞跑“未来赛道” 创新发展放大“赋能”效应  AI会帮我们把活干完吗？  微软 Copilot 团队主管呼吁用户与 AI 交流时应使用恰当的礼貌用语  AI教父Bengio：我感到迷失，对AI担忧已成「精神内耗」！  如布科技发布新产品AI口袋学习机S12  Gartner预测：到2025年，全球对话式人工智能支出预计将达到1860亿美元  用人工智能技术，亚马逊为用户生成产品评论摘要，帮助他们轻松选购  清华&中国气象局大模型登Nature：解决世界级难题，「鬼天气」预报时效首次达3小时  世界人工智能大会中西部县域数字就业中心组团亮相  RoboNeo什么时候上线  马斯克的幽默“现实”：AR眼镜与20美元“增强现实”哪个真实？  GPT-4成功战胜AI-Guardian审核系统：谷歌研究团队的人工智能抵抗人工智能  2025 年开发者必须知道的六个 AI 工具  OpenOOD更新v1.5：全面、精确的分布外检测代码库及测试平台，支持在线排行榜、一键测试  微软AR/VR专利提出使用时间复用谐振驱动产生双极性电源  DreamAvatar数字人使用教程  对话式论文阅读工具PaperMate上线，综述细节AI告诉你  新华社联合北大发布AI大模型评测：安全可靠成重点，360智脑表现优异  马斯克讽刺人工智能炒作：什么“机器学习”，其实就是统计 

 2024-05-30