名目型預測變數
在 R 中使用 tidymodels 建立模型
David Svancer
Data Scientist
名目型資料
編碼特徵或群組的資料
- 無意義的順序
範例
公司部門
- 行銷、財務、技術
- 行銷、財務、技術
母語
- English、Czech、Spanish ...
- English、Czech、Spanish ...
車款
- SUV、sedan、compact ...
轉換名目型預測變數
名目型資料必須轉成數值資料 才能建模
獨熱編碼（One-Hot Encoding）
- 將類別值映射為 [0/1] 指示變數序列
- 原始資料每個唯一值各有一個指示變數
轉換名目型預測變數
虛擬變數編碼（Dummy Variable Encoding）
- 從原始類別中排除「一個」值
- 有 n 個不同值時，產生（n - 1）個指示變數
- 建模時較佳的方法
recipes套件的預設
潛在客戶評分資料（Lead scoring）
名目型預測變數：lead_source 與 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
建立虛擬變數
step_dummy() 函式
- 從名目型預測變數建立虛擬變數
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
依型別選取欄位
使用 all_nominal() 與 all_outcomes() 依欄位型別選取
-all_outcomes()會排除名目型應變數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
名目型預測變數的前處理
R 的建模引擎
- 許多會自動建立虛擬變數
- 可在不先用
step_dummy()前處理下，直接用名目型預測變數
- 可在不先用
- 各引擎行為不一
- 一次性獨熱 vs 虛擬變數
- 新變數命名方式
recipes 套件提供標準化流程，將名目型預測變數備妥供建模使用
一起來練習吧！
在 R 中使用 tidymodels 建立模型
