Framåt stegvis variabelurval

Introduktion till prediktiv analys i Python

Nele Verbiest, Ph.D

Data Scientist @PythonPredictions

Proceduren för framåt stegvis variabelurval

Tom mängd
Hitta bästa variabeln $v_1$
Hitta bästa variabeln $v_2$ i kombination med $v_1$
Hitta bästa variabeln $v_3$ i kombination med $v_1, v_2$
...

(Tills alla variabler lagts till eller tills ett fördefinierat antal variabler nåtts)

Funktioner i Python

def function_sum(a,b):

    s = a + b
    return(s)

print(function_sum(1,2))

Implementation av proceduren för framåt stegvis urval

Funktionen auc beräknar AUC för en given uppsättning variabler
Funktionen best_next returnerar nästa bästa variabel i kombination med aktuella variabler
Loopa tills önskat antal variabler nåtts

Implementation av AUC-funktionen

from sklearn import linear_model
from sklearn.metrics import roc_auc_score

def auc(variables, target, basetable):

    X = basetable[variables]
    y = basetable[target]

    logreg = linear_model.LogisticRegression()
    logreg.fit(X, y)

    predictions = logreg.predict_proba(X)[:,1]
    auc = roc_auc_score(y, predictions)
    return(auc)

auc = auc(["age","gender_F"],["target"],basetable)
print(round(auc,2))

0.54

Beräkning av nästa bästa variabel

def next_best(current_variables,candidate_variables, target, basetable):

    best_auc = -1
    best_variable = None

    for v in candidate_variables:
        auc_v = auc(current_variables + [v], target, basetable)

        if auc_v >= best_auc:
            best_auc = auc_v
            best_variable = v

    return best_variable

current_variables = ["age","gender_F"]
candidate_variables = ["min_gift","max_gift","mean_gift"]
next_variable = next_best(current_variables, candidate_variables, basetable)
print(next_variable)

min_gift

Proceduren för framåt stegvis variabelurval

candidate_variables = ["mean_gift","min_gift","max_gift",
"age","gender_F","country_USA","income_low"]
current_variables = []
target = ["target"]

max_number_variables = 5
number_iterations = min(max_number_variables, len(candidate_variables))
for i in range(0,number_iterations):

    next_var = next_best(current_variables,candidate_variables,target,basetable)

    current_variables = current_variables + [next_variable]
    candidate_variables.remove(next_variable)

print(current_variables)

['max_gift', 'mean_gift', 'min_gift', 'age', 'gender_F']

Nu kör vi en övning!

Introduktion till prediktiv analys i Python