-
Notifications
You must be signed in to change notification settings - Fork 45
/
4_featureselection.qmd
373 lines (286 loc) · 12.2 KB
/
4_featureselection.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
---
title: "Sélection de variables : une introduction"
date: 2023-07-15T13:00:00Z
draft: false
weight: 50
slug: lasso
type: book
tags:
- scikit
- machine learning
- US elections
- LASSO
- feature selection
- Modélisation
- Exercice
categories:
- Modélisation
- Exercice
description: |
L'accès à des bases de données de plus en plus riches permet
des modélisations de plus en plus raffinées. Cependant,
les modèles parcimonieux sont généralement préférables
aux modèles extrêmement riches pour obtenir de bonnes
performances sur un nouveau jeu de données (prédictions
_out-of-sample_). Les méthodes de sélection de variables,
notamment le [`LASSO`](https://fr.wikipedia.org/wiki/Lasso_(statistiques)),
permettent de sélectionner le signal le plus
pertinent dilué au milieu du bruit lorsqu'on a beaucoup d'information à
traiter.
image: featured_selection.png
echo: false
---
::: {.cell .markdown}
```{python}
#| echo: false
#| output: 'asis'
#| include: true
#| eval: true
import sys
sys.path.insert(1, '../../') #insert the utils module
from utils import print_badges
#print_badges(__file__)
print_badges("content/modelisation/4_featureselection.qmd")
```
:::
{{< include _import_data_ml.qmd >}}
Jusqu'à présent, nous avons supposé que les variables utiles à la prévision du
vote Républicain étaient connues du modélisateur. Nous n'avons ainsi exploité qu'une partie
limitée des variables disponibles dans nos données. Néanmoins, outre le fléau
computationnel que représenterait la construction d'un modèle avec un grand
nombre de variables, le choix d'un nombre restreint de variables
(modèle parcimonieux) limite le risque de sur-apprentissage.
Comment, dès lors, choisir le bon nombre de variables et la meilleure
combinaison de ces variables ? Il existe de multiples méthodes, parmi lesquelles :
* se fonder sur des critères statistiques de performance qui pénalisent les
modèles non parcimonieux. Par exemple, le BIC.
* techniques de *backward elimination*.
* construire des modèles pour lesquels la statistique d'intérêt pénalise l'absence
de parcimonie (ce que l'on va souhaiter faire ici).
## Principe du LASSO
### Principe général
La classe des modèles de *feature selection* est ainsi très vaste et regroupe
un ensemble très diverse de modèles. Nous allons nous focaliser sur le LASSO
(*Least Absolute Shrinkage and Selection Operator*)
qui est une extension de la régression linéaire qui vise à sélectionner des
modèles *sparses*. Ce type de modèle est central dans le champ du
*Compressed sensing* (où on emploie plutôt le terme
de *L1-regularization* que de LASSO). Le LASSO est un cas particulier des
régressions elastic-net dont un autre cas fameux est la régression *ridge*.
Contrairement à la régression linéaire classique, elles fonctionnent également
dans un cadre où $p>N$, c'est à dire où le nombre de régresseurs est très grand puisque supérieur
au nombre d'observations.
### Pénalisation
En adoptant le principe d'une fonction objectif pénalisée,
le LASSO permet de fixer un certain nombre de coefficients à 0.
Les variables dont la norme est non nulle passent ainsi le test de sélection.
::: {.cell .markdown}
```{=html}
<div class="alert alert-warning" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Hint</h3>
```
Le LASSO est un programme d'optimisation sous contrainte. On cherche à trouver l'estimateur $\beta$ qui minimise l'erreur quadratique (régression linéaire) sous une contrainte additionnelle régularisant les paramètres:
$$
\min_{\beta} \frac{1}{2}\mathbb{E}\bigg( \big( X\beta - y \big)^2 \bigg) \\
\text{s.t. } \sum_{j=1}^p |\beta_j| \leq t
$$
Ce programme se reformule grâce au Lagrangien est permet ainsi d'obtenir un programme de minimisation plus maniable :
$$
\beta^{\text{LASSO}} = \arg \min_{\beta} \frac{1}{2}\mathbb{E}\bigg( \big( X\beta - y \big)^2 \bigg) + \alpha \sum_{j=1}^p |\beta_j| = \arg \min_{\beta} ||y-X\beta||_{2}^{2} + \lambda ||\beta||_1
$$
où $\lambda$ est une réécriture de la régularisation précédente qui dépend de $alpha$. La force de la pénalité appliquée aux modèles non parcimonieux dépend de ce paramètre.
```{=html}
</div>
```
:::
### Première régression LASSO
Avant de se lancer dans les exercices, on va éliminer quelques colonnes redondantes,
celles qui concernent les votes des partis concurrents (forcément très
corrélés au vote Républicain...) :
```{python}
#| echo: true
df2 = votes.loc[:,~votes.columns.str.endswith(
('_democrat','_green','_other', 'per_point_diff', 'per_dem')
)]
```
Nous allons utiliser par la suite les fonctions ou
packages suivants :
```{python}
#| echo: true
import numpy as np
from sklearn.svm import LinearSVC
from sklearn.feature_selection import SelectFromModel
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import Lasso
import sklearn.metrics
from sklearn.linear_model import LinearRegression
import matplotlib.cm as cm
import matplotlib.pyplot as plt
from sklearn.linear_model import lasso_path
import seaborn as sns
```
::: {.cell .markdown}
```{=html}
<div class="alert alert-success" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Exercice 1 : Premier LASSO</h3>
```
On cherche toujours à prédire la variable `per_gop`.
1. Préparez les variables à utiliser.
* Ne garder que les colonnes numériques (idéalement on transformerait
les variables non numériques en numériques)
* Remplacer les valeurs infinies par des NaN et les valeurs manquantes par 0.
* Standardiser les *features* (c'est-à-dire les variables autres que la variable `per_gop`) avec `StandardScaler`
2. On cherche toujours à prédire la variable `per_gop`. Créez un échantillon d'entraînement et un échantillon test.
3. Estimer un modèle LASSO pénalisé avec $alpha = 0.1$. Afficher les valeurs des coefficients. Quelles variables ont une valeur non nulle ?
4. Montrer que les variables sélectionnées sont parfois très corrélées.
5. Comparer la performance de ce modèle parcimonieux avec celle d'un modèle avec plus de variables
6. Utiliser la fonction `lasso_path` pour évaluer le nombre de paramètres sélectionnés par LASSO lorsque $\alpha$
varie (parcourir $\alpha \in [0.001,0.01,0.02,0.025,0.05,0.1,0.25,0.5,0.8,1.0]$ ).
```{=html}
</div>
```
:::
```{python}
#| output: false
#1. Garder uniquement les variables numériques et standardiser.
df2 = votes.loc[:,~votes.columns.str.endswith(('_democrat','_green','_other', 'per_point_diff', 'per_dem'))]
df2 = df2.select_dtypes(include=np.number)
df2.replace([np.inf, -np.inf], np.nan, inplace=True)
df2 = df2.fillna(0)
col_names = df2.loc[:, df2.columns != 'per_gop'].columns.values
features = df2[col_names]
features = StandardScaler().fit(features.values).transform(features.values)
df2[col_names] = features
#df2.head()
```
```{python}
#| output: false
#2. Echantillon d'entraînement et échantillon test
X_train, X_test, y_train, y_test = train_test_split(
df2.drop(["per_gop"], axis = 1),
100*df2[['per_gop']].values.ravel(), test_size=0.2, random_state=0
)
```
A l'issue de la question 3,
les variables sélectionnées sont :
```{python}
#3. Estimer un modèle LASSO et afficher les valeurs des coefficients
lasso1 = Lasso(fit_intercept=True, alpha = 0.1).fit(X_train, y_train)
#np.abs(lasso1.coef_)
features_selec = df2.select_dtypes(include=np.number).drop("per_gop", axis = 1).columns[np.abs(lasso1.coef_)>0].tolist()
features_selec
# Le modèle est assez parcimonieux puisque
# un sous-échantillon de variables sont sélectionnées
```
Certaines variables font sens, comme les variables d'éducation par exemple. Notamment, un des meilleurs prédicteurs pour le score des Républicains en 2020 est... le score des Républicains (et mécaniquement des démocrates) en 2016.
Par ailleurs, on sélectionne des variables redondantes. Une phase plus approfondie de nettoyage des données serait en réalité nécessaire.
```{python}
#4. Corrélations entre les variables sélectionnées
corr = df2[features_selec].corr()
plt.figure()
p = corr.style.background_gradient(cmap='coolwarm', axis=None).format('{:.2f}')
p
```
```{python}
#| output: false
#5. Faire une régression linéaire parcimonieuse et non parcimonieuse
## Régression parcimonieuse
y_pred_parci = lasso1.predict(X_test)
rmse_parci = sklearn.metrics.mean_squared_error(y_test, y_pred_parci, squared = False)
print("rmse_parci : ", rmse_parci)
rsq_parci = sklearn.metrics.r2_score(y_test, y_pred_parci)
print("rsq_parci : ", rsq_parci)
## Régression non parcimonieuse
ols = LinearRegression().fit(X_train, y_train)
y_pred_nonparci = ols.predict(X_test)
rmse_nonparci = sklearn.metrics.mean_squared_error(y_test, y_pred_nonparci, squared = False)
print("rmse_nonparci : ", rmse_nonparci)
rsq_nonparci = sklearn.metrics.r2_score(y_test, y_pred_nonparci)
print("rsq_nonparci : ", rsq_nonparci)
# Le modèle parcimonieux est (légèrement) plus performant.
```
```{python}
#| output: false
#| eval: false
### Autres exemples Lino :
import statsmodels.api as sm
import statsmodels.formula.api as smf
print(smf.ols("per_gop ~ share_2016_republican", data = df2).fit().summary())
# Performance du modèle déjà bonne avec une variable explicative
# Par la suite : se contenter de variables moins bonnes mais qui
# présentent un intérêt pour la sélection
df2 = votes.loc[:,~votes.columns.str.endswith(("_republican",'_democrat','_green','_other', 'per_point_diff', 'per_dem'))]
df2 = df[[c for c in df.columns if c not in cols_to_exclude] + ['rep16_frac']]
```
```{python}
#| output: false
#6. Utilisation de lasso_path
my_alphas = np.array([0.001,0.01,0.02,0.025,0.05,0.1,0.25,0.5,0.8,1.0])
alpha_for_path, coefs_lasso, _ = lasso_path(X_train,y_train,alphas=my_alphas)
#print(coefs_lasso)
nb_non_zero = np.apply_along_axis(func1d=np.count_nonzero,arr=coefs_lasso,axis=0)
print(nb_non_zero)
## graphique
sns.set_style("whitegrid")
plt.figure()
p = sns.lineplot(y=nb_non_zero, x=alpha_for_path)
p.set(title = r"Number variables and regularization parameter ($\alpha$)", xlabel=r'$\alpha$', ylabel='Nb. de variables')
```
```{python}
#| echo: false
p.figure.get_figure()
```
On voit que plus $\alpha$ est élevé, moins le modèle sélectionne de variables.
```{python}
#| output: false
p.figure.get_figure().savefig("featured_selection.png")
```
## Validation croisée pour sélectionner le modèle
Quel $\alpha$ faut-il privilégier ? Pour cela,
il convient d'effectuer une validation croisée afin de choisir le modèle pour
lequel les variables qui passent la phase de sélection permettent de mieux
prédire le résultat Républicain :
```{python}
#| echo: true
#| output: false
from sklearn.linear_model import LassoCV
df3 = df2.select_dtypes(include=np.number)
df3.replace([np.inf, -np.inf], np.nan, inplace=True)
df3 = df3.fillna(0)
scaler = StandardScaler()
yindex = df3.columns.get_loc("per_gop")
df3_scale = scaler.fit(df3).transform(df3)
# X_train, X_test , y_train, y_test = train_test_split(np.delete(data, yindex, axis = 1),data[:,yindex], test_size=0.2, random_state=0)
lcv = LassoCV(alphas=my_alphas, fit_intercept=False,random_state=0,cv=5).fit(np.delete(df3_scale, yindex, axis = 1), df3_scale[:,yindex])
```
```{python}
print("alpha optimal :", lcv.alpha_)
```
```{python}
lasso2 = Lasso(fit_intercept=True, alpha = lcv.alpha_).fit(X_train,y_train)
features_selec2 = df2.select_dtypes(include=np.number).drop("per_gop", axis = 1).columns[np.abs(lasso2.coef_)>0].tolist()
```
Les variables sélectionnées sont :
```{python}
print(features_selec2)
```
```{python}
df2.select_dtypes(include=np.number).drop("per_gop", axis = 1).columns[np.abs(lasso2.coef_)>0]
nlasso = sum(np.abs(lasso2.coef_)>0)
```
```{python}
#| echo: false
#| output: asis
print("Cela correspond à un modèle avec {} variables sélectionnées.".format(int(nlasso)))
```
::: {.cell .markdown}
```{=html}
<div class="alert alert-warning" role="alert">
<h3 class="alert-heading"><i class="fa-solid fa-pencil"></i> Hint</h3>
```
Dans le cas où le modèle paraîtrait trop peu parcimonieux, il faudrait revoir la phase de définition des variables pertinentes pour comprendre si des échelles différentes de certaines variables ne seraient pas plus appropriées (par exemple du `log`).
```{=html}
</div>
```
:::