Nominální prediktory

Modeling with tidymodels in R

David Svancer

Data Scientist

Nominální data

Data kódující vlastnosti nebo skupiny

Bez smysluplného pořadí

Příklady

Oddělení ve firmě
- Marketing, Finance, Technologie
Mateřský jazyk
- Angličtina, čeština, španělština ...
Typ automobilu
- SUV, sedan, kompaktní ...

Transformace nominálních prediktorů

Nominální data musí být pro modelování převedena na číselná One-Hot Encoding

Mapuje kategorické hodnoty na sekvenci indikátorových proměnných [0/1]
Indikátorová proměnná pro každou jedinečnou hodnotu v datech

One-hot encoding

Transformace nominálních prediktorů

Dummy Variable Encoding

Vylučuje jednu hodnotu z původní sady hodnot
- n různých hodnot produkuje ( n - 1 ) indikátorových proměnných
Preferovaná metoda pro modelování
- Výchozí nastavení balíčku recipes

Dummy encoding

Data pro lead scoring

Nominální prediktory – lead_source a us_location

leads_training

# A tibble: 996 x 7
 purchased total_visits total_time pages_per_visit total_clicks lead_source   us_location
   <fct>      <dbl>      <dbl>          <dbl>          <dbl>      <fct>          <fct>
 1 yes         7         1148           7              59       direct_traffic    west
 2 no          5         228            2.5            25       email             southeast
 3 no          7         481            2.33           21       organic_search    west
 4 no          4         177            4              37       direct_traffic    west
 5 no          2         1273           2              26       email             midwest
# ... with 991 more rows

Vytváření dummy proměnných

Funkce step_dummy()

Vytváří dummy proměnné z nominálních prediktoru

recipe(purchased ~ ., data = leads_training) %>%

  step_dummy(lead_source, us_location) %>%

  prep(training = leads_training) %>%

  bake(new_data = leads_test)

# A tibble: 332 x 12
   total_visits ... lead_source_email  lead_source_organic_search  lead_source_direct_traffic  us_location_southeast ... us_location_west
       <dbl>    ...      <dbl>                 <dbl>                      <dbl>                       <dbl>                     <dbl>
1        8      ...         0                    0                          1                          0                        1
2        4      ...         0                    0                          1                          0                        0
3        3      ...         0                    1                          0                          0                        1
4        2      ...         1                    0                          0                          0                        0
5        9      ...         0                    0                          1                          0                        1

# ... with 327 more rows

Výběr sloupců podle typu

Výběr podle typu sloupce pomocí selektorů all_nominal() a all_outcomes()

-all_outcomes() vylučuje nominální výstupní proměnnou purchased

recipe(purchased ~ ., data = leads_training) %>%

  step_dummy(all_nominal(), -all_outcomes()) %>%

  prep(training = leads_training) %>%

  bake(new_data = leads_test)

# A tibble: 332 x 12
   total_visits ... lead_source_email  lead_source_organic_search  lead_source_direct_traffic ... us_location_west
       <dbl>    ...      <dbl>                 <dbl>                      <dbl>                           <dbl>
1        8      ...         0                    0                          1                                 1
2        4      ...         0                    0                          1                                 0
3        3      ...         0                    1                          0                                 1
4        2      ...         1                    0                          0                                 0
5        9      ...         0                    0                          1                                 1
# ... with 327 more rows

Předzpracování nominálních prediktorů

Modelovací enginy v R

Mnohé zahrnují automatické vytváření dummy proměnných
- Nominální prediktory lze použít bez předzpracování pomocí step_dummy()
Není konzistentní napříč všemi enginy
- One-hot vs. dummy proměnné
- Pojmenování nových proměnných

Balíček recipes poskytuje standardizovaný způsob přípravy nominálních prediktorů pro modelování

Pojďme si procvičit!

Modeling with tidymodels in R