One-Hot-Encoding kategorických proměnných

Supervised Learning in R: Regression

Nina Zumel and John Mount

Win-Vector, LLC

Proč převádět kategorické proměnné ručně?

Většina funkcí R převod provádí automaticky
- model.matrix()
xgboost() nikoli
- Kategorické proměnné je nutné převést na číselnou reprezentaci
Převod na indikátory: one-hot encoding

One-hot-encoding a čištění dat pomocí `vtreat`

Základní myšlenka:

designTreatmentsZ() pro návrh plánu úpravy z trénovacích dat, poté
prepare() pro vytvoření „čistých" dat
- vše numerické
- žádné chybějící hodnoty
  - prepare() s plánem úpravy použít pro všechna budoucí data

Malý příklad s vtreat

Trénovací data

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

Testovací data

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

Vytvoření plánu úpravy

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

Vstupy funkce designTreatmentsZ()

dframe: trénovací data
varlist: seznam názvů vstupních proměnných
verbose = FALSE potlačí zprávy o průběhu

Získání nových proměnných

scoreFrame popisuje mapování a typy proměnných

(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

Získat názvy nových proměnných lev a clean

(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"

Příprava trénovacích dat pro modelování

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

Vstupy funkce prepare():

treatmentplan: plán úpravy
dframe: datový rámec
varRestriction: seznam proměnných k přípravě (volitelné)
- výchozí: příprava všech proměnných

Data před a po úpravě

Trénovací data

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

Upravená trénovací data

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

Příprava testovacích dat před aplikací modelu

(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

Úprava pomocí vtreat je robustní

Dříve neviděná úroveň x: four

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

four se zakóduje jako (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

Pojďme si procvičit!

Supervised Learning in R: Regression