名义型自变量
在 R 中使用 tidymodels 建模
David Svancer
Data Scientist
名义型数据
表示特征或分组的数据
- 无意义的顺序
示例
公司部门
- 市场、财务、技术
- 市场、财务、技术
母语
- 英语、捷克语、西班牙语...
- 英语、捷克语、西班牙语...
车型
- SUV、轿车、紧凑型...
转换名义型自变量
建模前需将名义型数据转换为数值型 独热编码（One-Hot）
- 将类别值映射为[0/1]指示变量
- 原数据每个唯一值对应一个指示变量
转换名义型自变量
哑变量编码
- 从原始取值中排除一类
- 有 n 个不同取值则生成 (n - 1) 个指示变量
- 建模更常用
recipes包默认采用
线索评分数据
名义型自变量——lead_source 与 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
创建哑变量
step_dummy() 函数
- 将名义型自变量转换为哑变量
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
按类型选择列
使用 all_nominal() 与 all_outcomes() 按列类型选择
-all_outcomes()排除名义型因变量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
预处理名义型自变量
R 中的建模引擎
- 许多引擎会自动创建哑变量
- 可直接使用名义型自变量，无需先用
step_dummy()预处理
- 可直接使用名义型自变量，无需先用
- 不同引擎不一致
- 独热编码 vs 哑变量
- 新变量命名方式
recipes 包提供标准化方法来准备名义型自变量以用于建模
Passons à la pratique !
在 R 中使用 tidymodels 建模
