scikit-learn
機能の選択

低分散機能の削除

これは非常に基本的なフィーチャ選択手法です。

その基本的な考え方は、フィーチャが一定である（すなわち、分散が0である）場合、興味深いパターンを見つけるために使用することができず、データセットから削除することができるということです。

したがって、フィーチャ除去に対するヒューリスティックなアプローチは、分散がある（低い）閾値を下回るすべてのフィーチャを最初に除去することである。

ドキュメントの例を踏まえて、まずは

X = [[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 1], [0, 1, 0], [0, 1, 1]]

ここには6 つのブール関数があり、それぞれ6つのインスタンスがあります。インスタンスの少なくとも80％で一定であるインスタンスを削除したいとします。いくつかの確率計算は、これらの特徴が0.8 *（1 - 0.8）より小さい分散を有する必要があることを示している。その結果、

from sklearn.feature_selection import VarianceThreshold
sel = VarianceThreshold(threshold=(.8 * (1 - .8)))    
sel.fit_transform(X)
# Output: array([[0, 1],
                 [1, 0],
                 [0, 0],
                 [1, 1],
                 [1, 0],
                 [1, 1]])

最初の機能がどのように削除されたかに注意してください。

この方法は慎重に使用する必要があります。なぜなら、分散が低いということは必ずしも機能が「面白くない」という意味ではないからです。次の例では、 3つのフィーチャを含むデータセットを作成します。最初の2つは、ランダムに分布する変数と3つ目の一様分布の変数で構成されています。

from sklearn.feature_selection import VarianceThreshold
import numpy as np

# generate dataset
np.random.seed(0)

feat1 = np.random.normal(loc=0, scale=.1, size=100) # normal dist. with mean=0 and std=.1
feat2 = np.random.normal(loc=0, scale=10, size=100) # normal dist. with mean=0 and std=10
feat3 = np.random.uniform(low=0, high=10, size=100) # uniform dist. in the interval [0,10)
data = np.column_stack((feat1,feat2,feat3))

data[:5]
# Output:
# array([[  0.17640523,  18.83150697,   9.61936379],
#        [  0.04001572, -13.47759061,   2.92147527],
#        [  0.0978738 , -12.70484998,   2.4082878 ],
#        [  0.22408932,   9.69396708,   1.00293942],
#        [  0.1867558 , -11.73123405,   0.1642963 ]]) 

np.var(data, axis=0)
# Output: array([  1.01582662e-02,   1.07053580e+02,   9.07187722e+00])

sel = VarianceThreshold(threshold=0.1)
sel.fit_transform(data)[:5]
# Output:
# array([[ 18.83150697,   9.61936379],
#        [-13.47759061,   2.92147527],
#        [-12.70484998,   2.4082878 ],
#        [  9.69396708,   1.00293942],
#        [-11.73123405,   0.1642963 ]])

今では、第1の機能は分散が低いために削除されていますが、第3の機能（それは最も興味深い）が保持されています。この場合、スケーリングとは無関係であるため、変動係数を考慮することがより適切であろう。