Kaggle 是全球首屈一指的数据科学网，Kaggle 现在每月提供表格竞赛，为像我这样的新手提供提高该领域技能的机会。因为 Kaggle 提供了一个很好的机会来提高我的数据科学技能，所以我总是期待着这些每月的比赛，并在时间允许的情况下参加。虽然有些人为了获胜而参加每月的比赛，但不幸的是我没有时间投入到一场比赛中，所以我通过这些比赛来编写整洁的代码并提高我的编程技能。
在这篇文章中，我将讨论我如何使用 sklearn 的 GenericUnivariateSelect 函数来提高我最初获得的分数。GenericUnivariateSelect 是 sklearn 的特征选择工具之一，具有可配置的策略。此函数使用超参数搜索估计器执行单变量特征选择。在这篇文章中，GenericUnivariateSelect 将执行一个测试，只执行最好的十个特征。该函数将以评分函数作为输入并返回单变量分数和 p 函数。
2021 年 8 月表格比赛的问题陈述如下：-
我使用 Kaggle 的免费在线 Jupyter Notebook 为这次比赛创建了程序。创建程序后，我导入了执行程序所需的库。我通常只在需要时导入库，但我最初导入的库是 numpy、pandas、os、sklearn、matplotlib 和 seaborn。Numpy 用于计算代数公式，pandas 用于创建数据帧并对其进行操作，os 进入操作系统以检索程序中使用的文件，sklearn 包含大量机器学习函数，matplotlib 和 seaborn 将数据点转换为 图形表示的df：-
导入库并检索程序中使用的文件后，我将这三个文件用 Pandas 读入程序，并将它们命名为train、test和submit：-
然后我分析了目标，发现我正在处理一个回归问题：-
我在训练数据中定义了目标列 loss。然后我从训练数据中将其删除：-
此时，train和test大小相同，所以我添加了test到train，并把他们合并成一个df:
然后我从combi中删除了id列，因为它不需要执行预测：
现在我通过将每个数据点转换为0到1之间的值来规范化数据，因为这将更容易让模型做出预测:-
当combi经过预处理后，定义自变量和因变量，分别为X和y。y变量由之前定义的目标组成。X变量由combi数据帧到数据帧的长度train组成。
一旦定义了因变量和自变量，我就使用sklearn的GenericUnivariateSelect函数来选择10个最好的列或特性。这样做的原因是，在100列数据上进行训练在计算上是很费力的，因为系统中存在潜在的噪声，以及可以删除的大量冗余数据
一旦数据集的特性被裁剪为10个最好的列，sklearn的train_test_split函数将数据集分割为训练集和验证集:-
现在是选择模型的时候了，在这个例子中，我决定使用sklearn的线性回归进行第一个尝试，训练和拟合数据到这个模型:-
然后在验证集上预测:-
一旦对验证集进行了预测，我就会评估这些预测:-
然后我将验证集的实际值与预测值进行比较:-
然后，我绘制了一张图，将验证集的实际值与预测值进行对比，这张图揭示了一些有趣的结果:-
然后我在测试集上预测:-
预测完成就要提交给Kaggle进行评分的预测。
然后我将提交的数据转换为csv文件
当我将提交的csv文件提交给Kaggle打分时，我的分数达到了7.97分，这比我之前的分数稍好一些
总之，当我尝试不同的特征选择技术时，能稍微提高我的分数。诀窍就是在这场比赛中尝试尽可能多的技巧来获得胜利。还有一些其他的技巧我可以使用，如果时间允许，我可能会尝试一下，看看我是否可以提高分数一点点。
这个程序的代码可以在我的个人GitHub账户中找到，链接在这里:- https://www.kaggle.com/tracyporter/aug-21-genunivariateselect?scriptVersionId=69573546
本文作者：Tracyrenee