<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          機(jī)器學(xué)習(xí)中類別變量的編碼方法總結(jié)

          共 3725字,需瀏覽 8分鐘

           ·

          2020-09-25 01:50

          ?機(jī)器學(xué)習(xí)

          Author:louwill

          Machine Learning Lab


          ? ? ?在做結(jié)構(gòu)化數(shù)據(jù)訓(xùn)練時(shí),類別特征是一個(gè)非常常見的變量類型。機(jī)器學(xué)習(xí)中有多種類別變量編碼方式,各種編碼方法都有各自的適用場景和特點(diǎn)。本文就對機(jī)器學(xué)習(xí)中常見的類別編碼方式做一個(gè)簡單的總結(jié)。

          硬編碼:Label Encoding
          ? ? ?所謂硬編碼,即直接對類別特征進(jìn)行數(shù)值映射,有多少類別取值就映射多少數(shù)值。這種硬編碼方式簡單粗暴,方便快捷。但其僅在類別特征內(nèi)部取值是有序的情況才好使用,即類別特征取值存在明顯的順序性,比如說學(xué)歷特征取值為高中、本科、碩士和博士,各學(xué)歷之間存在明顯的順序關(guān)系。

          ? ? ?Sklearn提供了Label Encoding的實(shí)現(xiàn)方式,示例代碼如下:
          from sklearn import preprocessingle = preprocessing.LabelEncoder()le.fit(['undergraduate', 'master', 'PhD', 'Postdoc'])le.transform(['undergraduate', 'master', 'PhD', 'Postdoc'])
          array([3, 2, 0, 1], dtype=int64)

          獨(dú)熱編碼:One-hot Encoding
          ? ? ?One-hot編碼應(yīng)該是應(yīng)用最廣泛的類別特征編碼方式了。假設(shè)一個(gè)類別特征有m個(gè)類別取值,通過One-hot編碼我們可以將其轉(zhuǎn)換為m個(gè)二元特征,每個(gè)特征對應(yīng)該取值類別。

          ? ? ?對于類別特征內(nèi)部取值不存在明顯的內(nèi)在順序時(shí),即直接的硬編碼不適用時(shí),One-hot編碼的作用就凸顯出來了。但當(dāng)類別特征取值過多時(shí),One-hot編碼很容易造成維度災(zāi)難,特別是對于文本類的特征,如果使用One-hot編碼對其進(jìn)行編碼,基本上都是茫茫零海。所以,在類別特征取值無序,且特征取值數(shù)量少于5個(gè)時(shí),可使用One-hot方法進(jìn)行類別編碼。有朋友可能會(huì)問,一定得是5個(gè)嗎,6個(gè)行不行,當(dāng)然也可以,這里并沒有固定標(biāo)準(zhǔn),但差不多就是這個(gè)數(shù)據(jù)左右。數(shù)量再多就不建議使用One-hot了。

          ? ? ?Pandas和Sklearn都提供了One-hot編碼的實(shí)現(xiàn)方式,示例代碼如下。
          import pandas as pddf = pd.DataFrame({'f1':['A','B','C'], 'f2':['Male','Female','Male']})df = pd.get_dummies(df, columns=['f1', 'f2'])df

          from sklearn.preprocessing import OneHotEncoderenc = OneHotEncoder(handle_unknown='ignore')X = [['Male', 1], ['Female', 3], ['Female', 2]]enc.fit(X)enc.transform([['Female', 1], ['Male', 4]]).toarray()
          array([[1., 0., 1., 0., 0.],[0., 1., 0., 0., 0.]])

          目標(biāo)變量編碼:Target Encoding
          ? ? ?Target Encoding就是用目標(biāo)變量的類別均值來給類別特征做編碼。CatBoost中就大量使用目標(biāo)變量統(tǒng)計(jì)的方法來對類別特征編碼。但在實(shí)際操作時(shí),直接用類別均值替換類別特征的話,會(huì)造成一定程度的標(biāo)簽信息泄露的情況,主流方法是使用兩層的交叉驗(yàn)證來計(jì)算目標(biāo)均值。Target Encoding一般適用于類別特征無序且類別取值數(shù)量大于5個(gè)的情形。

          ? ? ?參考代碼如下:
          ### 該代碼來自知乎專欄:### https://zhuanlan.zhihu.com/p/40231966from sklearn.model_selection import KFoldn_folds = 20n_inner_folds = 10likelihood_encoded = pd.Series()likelihood_coding_map = {}# global prior meanoof_default_mean = train[target].mean()      kf = KFold(n_splits=n_folds, shuffle=True)oof_mean_cv = pd.DataFrame()split = 0for infold, oof in kf.split(train[feature]):print ('==============level 1 encoding..., fold %s ============' % split)inner_kf = KFold(n_splits=n_inner_folds, shuffle=True)inner_oof_default_mean = train.iloc[infold][target].mean()inner_split = 0inner_oof_mean_cv = pd.DataFrame()likelihood_encoded_cv = pd.Series()for inner_infold, inner_oof in inner_kf.split(train.iloc[infold]):print ('==============level 2 encoding..., inner fold %s ============' % inner_split)        # inner out of fold meanoof_mean = train.iloc[inner_infold].groupby(by=feature)[target].mean()        # assign oof_mean to the infoldlikelihood_encoded_cv = likelihood_encoded_cv.append(train.iloc[infold].apply(lambda x : oof_mean[x[feature]]if x[feature] in oof_mean.indexelse inner_oof_default_mean, axis = 1))inner_oof_mean_cv = inner_oof_mean_cv.join(pd.DataFrame(oof_mean), rsuffix=inner_split, how='outer')inner_oof_mean_cv.fillna(inner_oof_default_mean, inplace=True)inner_split += 1oof_mean_cv = oof_mean_cv.join(pd.DataFrame(inner_oof_mean_cv), rsuffix=split, how='outer')oof_mean_cv.fillna(value=oof_default_mean, inplace=True)split += 1print ('============final mapping...===========')likelihood_encoded = likelihood_encoded.append(train.iloc[oof].apply(lambda x: np.mean(inner_oof_mean_cv.loc[x[feature]].values)if x[feature] in inner_oof_mean_cv.indexelse?oof_default_mean,?axis=1))

          模型自動(dòng)編碼
          ? ? ?在LightGBM和CatBoost等算法中,模型可以直接對類別特征進(jìn)行編碼,實(shí)際使用時(shí)直接將類別特征標(biāo)記后傳入對應(yīng)的api即可。一個(gè)示例代碼如下:
          lgb_train = lgb.Dataset(train2[features], train2['total_cost'], ???????????????????????categorical_feature=['sex'])

          總結(jié)
          根據(jù)本文的梳理,可總結(jié)機(jī)器學(xué)習(xí)中類別特征的編碼方式如下:
          • Label Encoding

            • 類別特征內(nèi)部有序

          • One-hot Encoding

            • 類別特征內(nèi)部無序

            • 類別數(shù)值<5

          • Target Encoding

            • 類別特征內(nèi)部無序

            • 類別數(shù)值>5

          • 模型自動(dòng)編碼

            • LightGBM

            • CatBoost


          往期精彩:

          【原創(chuàng)首發(fā)】機(jī)器學(xué)習(xí)公式推導(dǎo)與代碼實(shí)現(xiàn)30講.pdf

          【原創(chuàng)首發(fā)】深度學(xué)習(xí)語義分割理論與實(shí)戰(zhàn)指南.pdf


          喜歡您就點(diǎn)個(gè)在看!

          瀏覽 34
          點(diǎn)贊
          評論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          評論
          圖片
          表情
          推薦
          點(diǎn)贊
          評論
          收藏
          分享

          手機(jī)掃一掃分享

          分享
          舉報(bào)
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  国产欧美久久精品 | 日本黄色电影大鸡巴 | 免费视频亚洲 | 亚洲性爱操逼大片 | 蜜桃视频精品在线 |