以篩選為基礎的特徵選取

本文說明如何在 Azure Machine Learning 設計工具中，使用以篩選為基礎的特徵選取元件。 此元件可協助您識別輸入資料集中具有最佳預測能力的資料行。

一般而言，特徵選取是指在指定的輸出中，將統計測試套用至輸入的流程。 其目標在於判斷輸出中的哪些資料行較具有預測性。 以篩選為基礎的特徵選取元件提供多種特徵選取演算法可供選擇。 此元件包含相互關聯方法，例如皮耳森積差相關分析和卡方值。

在使用「以篩選為基礎的特徵選取」元件時，您會提供資料集，並識別包含標籤或相依變數的資料行。 接下來，指定要用來測量特徵重要度的單一方法。

元件會輸出包含最佳特徵資料行的資料集，並依預測能力排序。 此外也會從選取的計量中，輸出特徵的名稱及其分數。

什麼是以篩選為基礎的特徵選取

此特徵選取元件稱為「以篩選為基礎」，因為會使用所選的計量來找出不相關的屬性。 然後您變可以從模型中篩選掉多餘的資料行。 您可以選擇適合資料的單一統計衡量標準，而該元件會計算每個特徵資料行的分數。 傳回的資料行會依其特性分數排序。

選擇正確的特徵就有可能改善分類的精確度和效率。

您通常只會使用具有最佳分數的資料行來建置預測模型。 特徵選取分數不佳的資料行會留在資料集中，且在您建立模型時，會忽略該資料行。

如何選擇特徵選取計量

以篩選為基礎的特徵選取元件提供各種計量，來評估每個資料行中的資訊值。 本節提供每項計量的一般說明，以及其套用方式。 您可以在技術提示和設定每個元件的指示當中，找到關於使用每個計量的其他需求資訊。

• 皮耳森積差相關分析

  皮耳森積差相關分析統計或皮耳森相關係數在統計模型中也稱為 r 值。 對於任何兩個變數，它會傳一個指出相關強度的值。

  皮耳森相關係數的計算公式是先取兩個變數的共變異數，再除以其標準差的乘積。 兩個變數的尺度變更不會影響此係數。

• 卡方值

  雙向卡方測試是一種統計方法，它能測量期望值與實際結果之間的差距。 該方法假設變數是隨機的，並且是從適當的獨立變數範例中抽出。 產生的卡方統計量能指出結果與預期 (隨機) 結果之間的差距。

提示

若您需要不同的自訂特徵選取方法選項，請使用執行 R 指令碼元件。

如何設定以篩選為基礎的特徵選取

您可以選擇標準統計計量。 元件會計算一對資料行之間的相互關聯：標籤資料行和特徵資料行。

1. 將「以篩選為基礎的特徵選取」元件新增至您的管線。 您可以在設計工具的 [特徵選取] 類別中找到它。

2. 與輸入資料集連線，資料集中須至少包含兩個可能特徵的資料行。

   若要確保資料行經過分析並產生特徵分數，請使用 [編輯中繼資料] 元件來設定 [IsFeature] 屬性。

   重要

   確定您要提供作為輸入的資料行為可能特徵。 例如，包含單一值的資料行不具資訊價值。

   若您知道某些資料行會造成不良的特徵，可從資料行選取項目中將其移除。 您也可以使用 [編輯中繼資料] 元件，將其標示為 [類別]。

3. 針對 [特徵評分方法] 選擇下列其中一個已建立的統計方法，以用於計算分數。

   方法	規格需求
   皮耳森積差相關分析	標籤可以是文字或數值。 特徵則必須是數值。
   卡方值	標籤和特徵可以是文字或數值。 使用此方法來計算兩個類別資料行的特徵重要度。

   提示

   若您變更選取的計量，則會重設其他所有選取項目。 因此，請務必先設定此選項。

4. 選取 [僅操作特徵資料行] 選項，只針對先前標示為特徵的資料行產生分數。

   若您清除此選項，元件將會為任何其他符合準則的資料行建立分數，最多可達 [所需特徵數] 中指定的資料行數目。

5. 針對 [目標資料行] 選取 [啟動資料行選取器]，依其名稱或索引來選擇標籤資料行。 (索引是以一為基礎。)
   牽涉到統計相互關聯的所有方法都需要標籤資料行。 若您選擇無標籤資料行或多個標籤資料行，元件會傳回設計階段錯誤。

6. 針對 [所需的特徵數]，輸入您想要傳回結果的特徵資料行數目：

   • 您可以指定的最小特徵數目為 1，但建議您增加此值。

   • 如果指定的所需特徵數目大於資料集的資料行數目，則會傳回所有特徵。 甚至會傳回分數為零的特徵。

   • 若您指定的結果資料行數目少於特徵資料行，則會依分數遞減的方式來排序這些特徵。 系統僅會傳回最高分的特徵。

7. 提交管線。

重要

若您要在推斷中使用 [以篩選為基礎的特徵選取]，則必須使用 [選取資料行轉換] 來儲存已選取特徵的結果，並選取 [套用轉換] 將已選取特徵的轉換套用至評分資料集。

請參閱下列螢幕擷取畫面來建置您的管線，以確保評分流程的資料行選取項目皆相同。

結果

完成處理之後：

• 如要查看已分析特徵資料行及其分數的完整清單，請以滑鼠右鍵按一下元件，然後選取 [視覺化]。

• 如要根據您的特徵選取準則來查看資料集，請以滑鼠右鍵按一下元件，然後選取 [視覺化]。

若資料集包含的資料行數目少於預期，請檢查元件設定。 亦請針對提供做為輸入的資料行，檢查其資料類型。 例如，若您將 [所需的特徵數] 設定為 1，則輸出資料集只會包含兩個資料行：標籤資料行，以及最高順位的特徵資料行。

技術說明

實作詳細資料

若您在數值特徵和類別標籤上使用皮耳森積差相關分析，則會以下列方式計算特徵分數：

1. 針對類別資料行中的每個層級，計算數值資料行的條件平均值。

2. 將條件平均值的資料行與數值資料行相互關聯。

規格需求

• 系統無法針對任何已指定為 [標籤] 或 [分數] 資料行的資料行來產生特徵選取分數。

• 若您嘗試將評分方法與該方法不支援的資料類型資料行搭配使用，元件將會引發錯誤。 或系統會指派該資料行為零分。

• 若資料行包含邏輯 (true/false) 值，則會以 True = 1 和 False = 0 來處理。

• 若您已將資料行指定為 [標籤] 或 [分數]，該資料行便無法成為特徵。

如何處理遺漏值

• 您無法將具有完全遺漏值的任何資料行，指定為目標 (標籤) 資料行。

• 若資料行包含遺漏值，則元件會在計算資料行的分數時忽略這些值。

• 若指定為特徵資料行的資料行具有完全遺漏值，則元件會指派零分。

後續步驟

請參閱 Azure Machine Learning 可用的元件集。