是否可以在SKLearn中使用标记数据

Question

目前我的代码如下所示：

clf = RandomForestClassifier(n_estimators=10, criterion='entropy')
clf = clf.fit(X, Y)

但是 X 是一个数组，如下所示：

X = [[0, 1], [1, 1]]

我更喜欢像这样使用 X：

X = [{'avg': 0, 'stddev': 1}, {'avg': 1, 'stddev': 1}]

仅仅因为当您阅读X[0]['avg']而不是X[0][0]时，绘制树（如此处所述：http://scikit-learn.org/stable/modules/tree.html#classification）更有意义。可能吗？使用字典或熊猫？

Answer 1

您可以使用 DictVectorizer 类将此类字典列表转换为稀疏矩阵或密集 numpy 数组。

scikit-learn永远不会使用dict对象作为内部存储记录的主要数据结构，因为与Numpy数组或Sipy稀疏矩阵相比，这根本不是内存效率。

Answer 2

这是"larsmans"的一个很好的例子，说明如何在将数据拟合模型之前构建特征字典并使用DictVectorizer。请注意，默认情况下，DictVectorizer 类使用 scipy.sparse 矩阵（而不是 numpy.ndarray）来使生成的数据结构能够适应内存。由于并非所有 sklearn 学习模型都支持稀疏矩阵，因此您可能希望在构造函数中使用 sparse=False 选项来获取密集数组

dv = DictVectorizer(sparse=False)

Answer 3

或者，您可以在使用 export_graphviz 时指定功能名称。这将生成在测试节点上具有更有意义的标签的树。

请参阅 http://scikit-learn.org/dev/modules/generated/sklearn.tree.export_graphviz.html#sklearn.tree.export_graphviz 中的feature_names参数