One-Hot-Encoding категориальных переменных

Обучение с учителем в R: регрессия

Nina Zumel and John Mount

Win-Vector, LLC

Зачем вручную преобразовывать категориальные переменные?

Большинство функций R выполняют преобразование автоматически
- model.matrix()
xgboost() — нет
- Необходимо вручную преобразовать категориальные переменные в числовой вид
Преобразование в индикаторы: one-hot encoding

One-hot-encoding и очистка данных с помощью `vtreat`

Основная идея:

designTreatmentsZ() — создать план обработки на обучающих данных, затем
prepare() — сформировать «чистые» данные
- только числовые значения
- без пропущенных значений
  - применять prepare() с планом обработки ко всем последующим данным

Небольшой пример с vtreat

Обучающие данные

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

Тестовые данные

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

Создание плана обработки

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

Аргументы designTreatmentsZ()

dframe: обучающие данные
varlist: список имён входных переменных
verbose = FALSE — подавить вывод сообщений о прогрессе

Получение новых переменных

scoreFrame описывает сопоставление и типы переменных

(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

Получить имена новых переменных типа lev и 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"

Подготовка обучающих данных для моделирования

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

Аргументы prepare():

treatmentplan: план обработки
dframe: датафрейм
varRestriction: список переменных для подготовки (необязательно)
- по умолчанию: подготовить все переменные

Данные до и после обработки

Обучающие данные

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

Обработанные обучающие данные

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

Подготовка тестовых данных перед применением модели

(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

Устойчивость обработки в vtreat

Ранее не встречавшийся уровень x: four

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

four кодируется как (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

Давайте потренируемся!

Обучение с учителем в R: регрессия