One-Hot-Encoding категоріальних змінних

Кероване навчання в R: регресія

Nina Zumel and John Mount

Win-Vector, LLC

Чому вручну перетворювати категоріальні?

Більшість функцій R роблять перетворення автоматично
- model.matrix()
xgboost() — ні
- Потрібно перетворити категоріальні змінні на числове подання
Перетворення на індикатори: one-hot encoding

One-hot-encoding і очищення даних з `vtreat`

Основна ідея:

designTreatmentsZ() створює план обробки з тренувальних даних, далі
prepare() формує «чисті» дані
- лише числові
- без пропусків
  - застосовуйте prepare() з планом обробки до всіх майбутніх даних

Невеликий приклад vtreat

Тренувальні дані

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

Тестові дані

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

Створіть план обробки

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

Вхідні дані до designTreatmentsZ()

dframe: тренувальні дані
varlist: список назв вхідних змінних
встановіть verbose = FALSE, щоб вимкнути повідомлення про прогрес

Отримайте нові змінні

scoreFrame описує відображення змінних і типи

(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

Отримайте назви нових змінних lev і 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"

Підготуйте тренувальні дані для моделювання

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

Вхідні дані до prepare():

treatmentplan: план обробки
dframe: датафрейм
varRestriction: список змінних для підготовки (необов'язково)
- типово: готувати всі змінні

Дані до і після обробки

Тренувальні дані

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

Оброблені тренувальні дані

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

Підготуйте тестові дані перед застосуванням моделі

(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

Обробка у vtreat стійка

Раніше невідомий рівень x: four

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

four кодується як (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 потренуємось!

Кероване навчання в R: регресія