One-Hot-Encoding kategorialer Variablen

Überwachtes Lernen in R: Regression

Nina Zumel and John Mount

Win-Vector, LLC

Warum Kategoriales manuell umwandeln?

Die meisten R-Funktionen übernehmen die Umwandlung für dich
- model.matrix()
xgboost() nicht
- Kategoriale Variablen müssen in numerische Darstellung umgewandelt werden
Umwandlung in Indikatoren: One-Hot-Encoding

One-Hot-Encoding und Datenbereinigung mit `vtreat`

Grundidee:

designTreatmentsZ() entwirft einen Behandlungsplan aus den Trainingsdaten, dann
prepare() erstellt „saubere" Daten
- alles numerisch
- keine fehlenden Werte
  - verwende prepare() mit dem Behandlungsplan für alle zukünftigen Daten

Ein kleines vtreat-Beispiel

Trainingsdaten

x	u	y
one	44	0.4855671
two	24	1.3683726
three	66	2.0352837
two	22	1.6396267

Testdaten

x	u	y
one	5	2.6488148
three	12	1.5012938
one	56	0.1993731
two	28	1.2778516

Behandlungsplan erstellen

vars <- c("x", "u")
treatplan <- designTreatmentsZ(dframe, varslist, verbose = FALSE)

Eingaben für designTreatmentsZ()

dframe: Trainingsdaten
varlist: Liste der Eingabevariablennamen
verbose = FALSE setzen, um Fortschrittsmeldungen zu unterdrücken

Neue Variablennamen holen

Das scoreFrame beschreibt Variablenmapping und -typen

(scoreFrame <- treatplan$scoreFrame %>% 
     select(varName, origName, code))

        varName origName  code
1   x_lev_x.one        x   lev
2 x_lev_x.three        x   lev
3   x_lev_x.two        x   lev
4        x_catP        x  catP
5       u_clean        u clean

Hole die Namen der neuen lev- und clean-Variablen

(newvars <- scoreFrame %>% 
     filter(code %in% c("clean", "lev")) %>%
     use_series(varName))

"x_lev_x.one"   "x_lev_x.three" "x_lev_x.two"   "u_clean"

Trainingsdaten fürs Modell aufbereiten

training.treat <- prepare(treatmentplan, dframe, varRestriction = newvars)

Eingaben für prepare():

treatmentplan: Behandlungsplan
dframe: Data Frame
varRestriction: Liste der aufzubereitenden Variablen (optional)
- Standard: alle Variablen aufbereiten

Daten vor und nach der Behandlung

Trainingsdaten

x	u	y
one	44	0.4855671
two	24	1.3683726
three	66	2.0352837
two	22	1.6396267

Aufbereitete Trainingsdaten

x_lev _x. one	x_lev _x. three	x_lev _x. two	u_clean
1	0	0	44
0	0	1	24
0	1	0	66
0	0	1	22

Testdaten vor der Modellanwendung aufbereiten

(test.treat <- prepare(treatplan, test, varRestriction = newvars))

  x_lev_x.one x_lev_x.three x_lev_x.two u_clean
1           1             0           0       5
2           0             1           0      12
3           1             0           0      56
4           0             0           1      28

vtreat-Behandlung ist robust

Zuvor unbekanntes x-Level: four

x	u	y
one	4	0.2331301
two	14	1.9331760
three	66	3.1251029
four	25	4.0332491

four wird zu (0, 0, 0) encodiert

prepare(treatplan, toomany, ...)

x_lev _x. one	x_lev _x. three	x_lev _x. two	u_clean
1	0	0	4
0	0	1	14
0	1	0	66
0	0	0	25

Lass uns üben!

Überwachtes Lernen in R: Regression