Codificarea One-Hot a Variabilelor Categorice

Învățare supervizată în R: Regresia

Nina Zumel and John Mount

Win-Vector, LLC

De Ce să Convertim Manual Variabilele Categorice?

Majoritatea funcțiilor R gestionează conversia automat
- model.matrix()
xgboost() nu face acest lucru
- Variabilele categorice trebuie convertite la reprezentare numerică
Conversia la indicatori: one-hot encoding

One-hot encoding și curățarea datelor cu `vtreat`

Idee de bază:

designTreatmentsZ() pentru a crea un plan de tratament din datele de antrenament, apoi
prepare() pentru a genera date „curate"
- toate numerice
- fără valori lipsă
  - utilizați prepare() cu planul de tratament pentru toate datele viitoare

Un Exemplu Simplu cu vtreat

Date de Antrenament

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

Date de Test

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

Crearea Planului de Tratament

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

Argumente pentru designTreatmentsZ()

dframe: date de antrenament
varlist: lista numelor variabilelor de intrare
setați verbose = FALSE pentru a suprima mesajele de progres

Obținerea Noilor Variabile

scoreFrame descrie maparea și tipurile variabilelor

(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

Obținerea numelor noilor variabile lev și 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"

Pregătirea Datelor de Antrenament pentru Modelare

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

Argumente pentru prepare():

treatmentplan: planul de tratament
dframe: cadrul de date
varRestriction: lista variabilelor de pregătit (opțional)
- implicit: pregătește toate variabilele

Date Înainte și După Tratament

Date de Antrenament

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

Date de Antrenament Tratate

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

Pregătirea Datelor de Test Înainte de Aplicarea Modelului

(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

Tratamentul vtreat Este Robust

Nivel x nevăzut anterior: four

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

four este codificat ca (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

Să exersăm!

Învățare supervizată în R: Regresia