One-Hot-Encoding zmiennych kategorycznych

Nadzorowane uczenie maszynowe w R: regresja

Nina Zumel and John Mount

Win-Vector, LLC

Dlaczego ręcznie konwertować zmienne kategoryczne?

Większość funkcji R automatycznie obsługuje konwersję
- model.matrix()
xgboost() nie obsługuje
- Należy ręcznie przekonwertować zmienne kategoryczne na liczby
Konwersja na wskaźniki: one-hot encoding

One-hot-encoding i czyszczenie danych z `vtreat`

Podstawowa idea:

designTreatmentsZ() – opracowanie planu leczenia na danych treningowych, następnie
prepare() – tworzenie „czystych" danych
- wyłącznie numeryczne
- brak brakujących wartości
  - używaj prepare() z planem leczenia dla wszystkich przyszłych danych

Prosty przykład vtreat

Dane treningowe

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

Dane testowe

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

Tworzenie planu leczenia

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

Argumenty designTreatmentsZ()

dframe: dane treningowe
varlist: lista nazw zmiennych wejściowych
ustaw verbose = FALSE, aby ukryć komunikaty o postępie

Pobierz nowe zmienne

scoreFrame opisuje mapowanie zmiennych i typy

(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

Pobierz nazwy nowych zmiennych lev i 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"

Przygotowanie danych treningowych do modelowania

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

Argumenty prepare():

treatmentplan: plan leczenia
dframe: ramka danych
varRestriction: lista zmiennych do przygotowania (opcjonalne)
- domyślnie: przygotuj wszystkie zmienne

Dane przed i po przetworzeniu

Dane treningowe

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

Przetworzone dane treningowe

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

Przygotowanie danych testowych przed zastosowaniem 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

Przetwarzanie vtreat jest odporne

Nieznany wcześniej poziom x: four

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

four koduje się 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

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe w R: regresja