One-Hot-Encoding av kategoriska variabler

Övervakad inlärning i R: Regression

Nina Zumel and John Mount

Win-Vector, LLC

Varför konvertera kategoriska variabler manuellt?

De flesta R-funktioner hanterar konverteringen åt dig
- model.matrix()
xgboost() gör det inte
- Kategoriska variabler måste konverteras till numerisk representation
Konvertering till indikatorer: one-hot encoding

One-hot-encoding och datarensning med `vtreat`

Grundidé:

designTreatmentsZ() för att skapa en behandlingsplan från träningsdata, sedan
prepare() för att skapa "ren" data
- helt numerisk
- inga saknade värden
  - använd prepare() med behandlingsplanen för all framtida data

Ett litet vtreat-exempel

Träningsdata

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

Testdata

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

Skapa behandlingsplanen

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

Indata till designTreatmentsZ()

dframe: träningsdata
varlist: lista med namn på indatavariabler
ange verbose = FALSE för att dölja förloppsmeddela nden

Hämta de nya variablerna

scoreFrame beskriver variabelmappning och typer

(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

Hämta namnen på de nya lev- och clean-variablerna

(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"

Förbered träningsdata för modellering

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

Indata till prepare():

treatmentplan: behandlingsplan
dframe: dataram
varRestriction: lista med variabler att förbereda (valfritt)
- standard: förbereder alla variabler

Data före och efter behandling

Träningsdata

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

Behandlad träningsdata

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

Förbered testdata innan modellen tillämpas

(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

vtreat-behandling är robust

Tidigare osedd x-nivå: four

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

four kodas till (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

Nu kör vi en övning!

Övervakad inlärning i R: Regression