具有分类输入的回归树或随机森林回归器



我一直试图在回归树(或随机森林回归器)中使用分类inpust,但sklearn不断返回错误并要求数字输入。

import sklearn as sk
MODEL = sk.ensemble.RandomForestRegressor(n_estimators=100)
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works
MODEL = sk.tree.DecisionTreeRegressor()
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works

据我所知,在这些方法中,分类输入应该是可能的,而不需要任何转换(例如WOE替换)。

其他人遇到过这种困难吗?

谢谢!

scikit-learn没有分类变量(也称为R中的因子)的专用表示,一种可能的解决方案是使用LabelEncoder:将字符串编码为int

import numpy as np
from sklearn.preprocessing import LabelEncoder  
from sklearn.ensemble import RandomForestRegressor
X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])
# transform 1st column to numbers
X[:, 0] = LabelEncoder().fit_transform(X[:,0]) 
regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

输出:

[[ 0.  1.  2.]
 [ 1.  2.  3.]
 [ 0.  3.  2.]
 [ 2.  1.  3.]]
[ 1.61333333  2.13666667  2.53333333  2.95333333]

但请记住,如果ab是独立的类别,并且它只适用于基于树的估计量,那么这是一个轻微的破解。为什么?因为CCD_ 6实际上并不比CCD_ 7大。正确的方法是在LabelEncoderpd.get_dummies之后使用OneHotEncoder,为X[:, 0]生成两个单独的、一个热编码列。

import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.ensemble import RandomForestRegressor
X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])
# transform 1st column to numbers
import pandas as pd
X_0 = pd.get_dummies(X[:, 0]).values
X = np.column_stack([X_0, X[:, 1:]])
regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

您必须在python中手动伪代码。我建议使用pandas.get_dummies()进行一次热编码。对于Boosted树,我已经成功地使用factorize()来实现顺序编码。

这里还有一整套的这类东西。

有关更详细的解释,请参阅这篇数据科学堆栈交换文章。

相关内容

  • 没有找到相关文章

最新更新