特征选择与降维实战：5种算法在鸢尾花数据集上的性能对比

特征选择与降维实战：5种算法在鸢尾花数据集上的性能对比

鸢尾花数据集作为机器学习领域的经典案例，为我们提供了研究特征工程技术的理想实验平台。本文将深入探讨五种主流特征处理方法（MIC、mRMR、PCA、LDA、t-SNE）在该数据集上的实际表现，通过完整的代码实现和量化指标对比，帮助读者理解不同技术路径的适用场景与性能差异。

1. 实验设计与环境准备

在开始技术对比前，我们需要建立统一的实验框架。本次实验采用Scikit-learn提供的鸢尾花数据集，包含150个样本，每个样本有4个原始特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）和1个类别标签（Setosa、Versicolor、Virginica）。

1.1 实验环境配置

# 基础库导入 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 特征选择与降维算法 from minepy import MINE # MIC计算 from sklearn.feature_selection import mutual_info_classif, SelectKBest from sklearn.decomposition import PCA from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA from sklearn.manifold import TSNE # 设置随机种子保证可复现性 np.random.seed(42)

1.2 数据加载与预处理

# 加载数据集并转换为DataFrame iris = load_iris() X = pd.DataFrame(iris.data, columns=iris.feature_names) y = pd.Series(iris.target, name='target') # 数据标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.3, stratify=y)

提示：标准化处理对PCA、LDA等基于距离的算法至关重要，但对MIC、mRMR等基于排序的方法影响较小。

2. 特征选择方法实战

特征选择的核心是从原始特征中筛选出最具判别力的子集，不改变特征本身的物理含义。我们首先实现两种经典的特征选择算法。

2.1 最大互信息系数(MIC)

MIC能够捕捉线性与非线性关系，适合探索特征与目标之间的复杂关联：

def calculate_mic(X, y): """计算各特征与目标的MIC值""" mine = MINE(alpha=0.6, c=15) mic_scores = [] for i in range(X.shape[1]): mine.compute_score(X[:, i], y) mic_scores.append(mine.mic()) return np.array(mic_scores) # 计算MIC并可视化 mic_scores = calculate_mic(X_train, y_train) plt.bar(iris.feature_names, mic_scores) plt.title('MIC Scores for Iris Features') plt.ylabel('MIC Value') plt.show()

MIC得分分析：

• 花瓣长度：0.92
• 花瓣宽度：0.89
• 萼片长度：0.76
• 萼片宽度：0.62

2.2 最大相关最小冗余(mRMR)

mRMR算法通过平衡特征与目标的相关性以及特征间的冗余性，选择最优特征子集：

def mrmr_selector(X, y, k=2): """实现mRMR特征选择""" # 计算特征-目标互信息 mi_fc = mutual_info_classif(X, y) # 计算特征间互信息矩阵 mi_ff = np.zeros((X.shape[1], X.shape[1])) for i in range(X.shape[1]): for j in range(i+1, X.shape[1]): mi_ff[i,j] = mutual_info_classif(X[:, i].reshape(-1,1), X[:, j])[0] mi_ff[j,i] = mi_ff[i,j] # 贪心算法选择特征 selected = [] remaining = list(range(X.shape[1])) # 选择第一个特征 first = np.argmax(mi_fc) selected.append(first) remaining.remove(first) # 迭代选择后续特征 for _ in range(1, k): scores = [] for f in remaining: rel = mi_fc[f] red = np.mean([mi_ff[f, s] for s in selected]) scores.append(rel - red) best = remaining[np.argmax(scores)] selected.append(best) remaining.remove(best) return selected # 应用mRMR选择2个特征 mrmr_features = mrmr_selector(X_train, y_train) print("mRMR选择特征:", [iris.feature_names[i] for i in mrmr_features])

典型输出结果：

mRMR选择特征: ['petal length (cm)', 'petal width (cm)']

3. 特征降维方法实战

与特征选择不同，降维技术通过数学变换将原始特征映射到新的空间。我们实现三种主流降维算法并分析其特性。

3.1 主成分分析(PCA)

PCA通过正交变换将数据投影到方差最大的方向上：

# PCA降维 pca = PCA(n_components=2) X_pca = pca.fit_transform(X_train) # 可视化 plt.scatter(X_pca[:,0], X_pca[:,1], c=y_train) plt.xlabel('PC1 (Var: %.2f%%)' % (pca.explained_variance_ratio_[0]*100)) plt.ylabel('PC2 (Var: %.2f%%)' % (pca.explained_variance_ratio_[1]*100)) plt.title('PCA Projection of Iris Dataset') plt.colorbar() plt.show()

PCA关键参数：

• 解释方差比：PC1(72.96%) + PC2(22.85%) = 95.81%
• 成分载荷矩阵：

3.2 线性判别分析(LDA)

LDA作为有监督降维方法，最大化类间离散度与类内离散度的比值：

# LDA降维 lda = LDA(n_components=2) X_lda = lda.fit_transform(X_train, y_train) # 可视化 plt.scatter(X_lda[:,0], X_lda[:,1], c=y_train) plt.xlabel('LD1') plt.ylabel('LD2') plt.title('LDA Projection of Iris Dataset') plt.colorbar() plt.show()

LDA特性分析：

• 判别效率：LD1解释99.1%的方差，LD2解释0.9%
• 投影向量：

LD1 = 0.91*萼片长度 + 1.79*花瓣长度 - 2.15*花瓣宽度 - 2.04*萼片宽度 LD2 = 0.64*萼片长度 - 0.38*花瓣长度 - 0.55*花瓣宽度 + 0.27*萼片宽度

3.3 t-SNE可视化

t-SNE擅长在低维空间保持高维数据的局部结构：

# t-SNE降维 tsne = TSNE(n_components=2, perplexity=30, learning_rate=200) X_tsne = tsne.fit_transform(X_train) # 可视化 plt.scatter(X_tsne[:,0], X_tsne[:,1], c=y_train) plt.title('t-SNE Projection of Iris Dataset') plt.colorbar() plt.show()

注意：t-SNE的超参数perplexity对结果影响显著，通常建议尝试5-50之间的值。不同于PCA和LDA，t-SNE的坐标轴没有明确的数学含义。

4. 性能对比与结果分析

为量化比较各方法的有效性，我们使用SVM分类器在测试集上评估不同特征处理后的模型性能。

4.1 评估指标设计

def evaluate_method(method, X_train, X_test, y_train, y_test): """评估特征处理方法""" # 训练SVM分类器 svm = SVC(kernel='linear', C=1) svm.fit(X_train, y_train) # 计算准确率和训练时间 start = time.time() y_pred = svm.predict(X_test) elapsed = time.time() - start return { 'accuracy': accuracy_score(y_test, y_pred), 'time': elapsed, 'dim': X_train.shape[1] }

4.2 综合对比结果

我们构建如下对比实验：

results = [] # 原始特征 results.append({ 'method': 'Original', **evaluate_method('original', X_train, X_test, y_train, y_test) }) # MIC特征选择 mic_mask = mic_scores > np.median(mic_scores) X_mic_train = X_train[:, mic_mask] X_mic_test = X_test[:, mic_mask] results.append({ 'method': 'MIC', **evaluate_method('mic', X_mic_train, X_mic_test, y_train, y_test) }) # mRMR特征选择 X_mrmr_train = X_train[:, mrmr_features] X_mrmr_test = X_test[:, mrmr_features] results.append({ 'method': 'mRMR', **evaluate_method('mrmr', X_mrmr_train, X_mrmr_test, y_train, y_test) }) # PCA降维 results.append({ 'method': 'PCA', **evaluate_method('pca', X_pca, pca.transform(X_test), y_train, y_test) }) # LDA降维 results.append({ 'method': 'LDA', **evaluate_method('lda', X_lda, lda.transform(X_test), y_train, y_test) })

性能对比表格：

4.3 技术选型建议

根据实验结果，我们可以得出以下实践建议：

1. 分类任务优先考虑LDA：

   • 在标签信息可靠的情况下，LDA能最大化类别区分度
   • 本实验中LDA将准确率提升至100%，同时减少一半特征量

2. 无监督场景使用PCA：

   • 当缺乏标签或探索数据结构时，PCA是最安全的默认选择
   • 虽然准确率略低，但保留了95.8%的原始信息

3. 特征选择适用场景：

   • 需要保持特征可解释性时选择mRMR
   • 计算资源极度受限时，MIC提供快速筛选方案

4. t-SNE的特殊价值：

   • 不适合直接用于建模，但可视化效果最佳
   • 能揭示PCA/LDA未能发现的局部数据结构

5. 进阶技巧与优化方向

在基础实验之外，这些方法还有更多值得探索的优化空间：

5.1 参数调优策略

# PCA维度选择 pca = PCA(n_components=0.95) # 保留95%方差 # t-SNE参数优化 tsne = TSNE( n_components=2, perplexity=30, # 适合中等规模数据集 early_exaggeration=12, learning_rate='auto' ) # mRMR特征数确定 from sklearn.feature_selection import RFECV selector = RFECV(SVC(kernel="linear"), step=1, cv=5) selector.fit(X, y) optimal_num_features = selector.n_features_

5.2 方法组合实践

# PCA + 特征选择组合 pca = PCA(n_components=4) X_pca_full = pca.fit_transform(X_train) mic_scores_pca = calculate_mic(X_pca_full, y_train) pca_mic_mask = mic_scores_pca > np.median(mic_scores_pca) # LDA + t-SNE可视化 X_lda_3d = LDA(n_components=3).fit_transform(X_train, y_train) X_tsne_lda = TSNE().fit_transform(X_lda_3d)

5.3 其他评估指标

除准确率外，还可考虑：

• 特征稳定性：通过bootstrap采样评估选择结果的鲁棒性
• 模型复杂度：如SVM的支撑向量数量
• 业务指标：如医疗场景中的敏感度/特异度

在真实项目中，我发现特征工程的选择往往需要平衡技术指标与业务需求。例如在医疗影像分析中，即使LDA性能略优，有时也会选择PCA以保持结果的可解释性。