【Uplift】特征选择篇

https://zhuanlan.zhihu.com/p/363866684

【Uplift】特征选择篇

本文主要参考论文《Feature Selection Methods for Uplift Modeling》介绍Uplift Modeling中的特征筛选问题，主要包括”Filter方法“和”Embed方法“。具体实现参考CausalML源码。

做好特征选择可以带来很多好处，包括计算效率、维护成本、可解释性、减少过拟合等。机器学习中有一系列进行特征选择的方法，主要可以分为3类，即”过滤方法“、”封装方法“、”嵌入方法“，下图是《美团机器学习实践》中的一个比较图。

简单说，”过滤方法“是通过特征变量和目标变量的一些指标计算并设定阈值做过滤；”封装方法“是通过不断尝试特征组合并借助模型效果来打分；”嵌入方法“是用模型训练过程中附带的关于特征重要性的描述作为依据。

Filter方法

过滤方法计算快，复杂度为$O(m\cdot n)$，m为特征数，n为样本数。

这里介绍了3种过滤方法，分别是F-filter、LR-filter、Bin-Based filter

F-filter和LR-filter

• F-filter首先用相关特征训练线性回归模型，特征包括”treatment、目标feature、二者交叉、常数项“，然后用交叉项系数的F-statistic作为得分

statsmodels.regression.linear_model.OLSResults.f_test

• LR-filter则基于逻辑回归模型，用交叉项系数的likelihood ratio test statistic作为得分

statsmodels.discrete.discrete_model.LogitResults.llf

Bin-Based方法

Step1：对目标特征排序，并按比例分为K组。

Step2：分别计算每组内，T组和C组中，outcome的分布散度，并求和。即
$$\Delta =\sum _{k=1}^K\frac{N_k}{N}D\left(P_k:Q_k\right)$$
其中，假设outcome共有C类，$P_k=($