Mã hóa one-hot cho biến phân loại

Học có giám sát với R: Hồi quy

Nina Zumel and John Mount

Win-Vector, LLC

Vì sao phải tự chuyển đổi biến phân loại?

Hầu hết hàm R tự xử lý chuyển đổi cho bạn
- model.matrix()
xgboost() thì không
- Phải đổi biến phân loại sang dạng số
Chuyển thành biến chỉ báo: one-hot encoding

One-hot-encoding và làm sạch dữ liệu với `vtreat`

Ý tưởng chính:

designTreatmentsZ() để thiết kế treatment plan từ dữ liệu huấn luyện, rồi
prepare() để tạo dữ liệu "sạch"
- toàn bộ là số
- không có giá trị thiếu
  - dùng prepare() với treatment plan cho mọi dữ liệu về sau

Ví dụ nhỏ với vtreat

Dữ liệu huấn luyện

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

Dữ liệu kiểm tra

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

Tạo treatment plan

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

Đầu vào của designTreatmentsZ()

dframe: dữ liệu huấn luyện
varlist: danh sách tên biến đầu vào
đặt verbose = FALSE để ẩn thông báo tiến trình

Lấy các biến mới

scoreFrame mô tả ánh xạ biến và kiểu

(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

Lấy tên các biến lev và clean mới

(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"

Chuẩn bị dữ liệu huấn luyện cho mô hình

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

Đầu vào của prepare():

treatmentplan: treatment plan
dframe: data frame
varRestriction: danh sách biến cần chuẩn bị (tùy chọn)
- mặc định: chuẩn bị tất cả biến

Trước và sau khi xử lý dữ liệu

Dữ liệu huấn luyện

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

Dữ liệu huấn luyện đã xử lý

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

Chuẩn bị dữ liệu kiểm tra trước khi áp dụng mô hình

(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

Xử lý của vtreat rất ổn định

Mức x chưa từng thấy trước đây: four

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

four được mã hóa thành (0, 0, 0)

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

Cùng luyện tập nào!

Học có giám sát với R: Hồi quy