在数据集具有唯一值的要素列时尝试在DSX中构建模型时的评估错误

Question

如果其中一个功能列具有唯一的分类值，那么在使用IBM Watson Machine Learning在IBM Data Science Experience（DSX）中构建二进制分类模型时，我会收到评估错误。

我使用的数据集看起来像这样 -

Customer,Cust_No,Alerts,Churn
Ford,1000,8,0
GM,2000,50,1
Chrysler,3000,10,0
Tesla,4000,48,1
Toyota,5000,15,0
Honda,6000,55,1
Subaru,7000,12,0
BMW,8000,52,1
MBZ,9000,13,0
Porsche,10000,54,1
Ferrari,11000,9,0
Nissan,12000,49,1
Lexus,13000,10,0
Kia,14000,50,1
Saab,15000,12,0
Faraday,16000,47,1
Acura,17000,13,0
Infinity,18000,53,1
Eco,19000,16,0
Mazda,20000,52,1

在DSX中，上传上述CSV数据，然后使用自动模型构建器创建模型。选择“流失”作为标签列，选择“客户和警报”作为功能列。选择二进制分类模型并使用默认值 训练/测试分割的设置。训练模型。模型构建失败，出现评估错误。相反，如果我们选择Cust_No和Alerts作为要素列，则会成功创建模型。这是为什么 ？

Answer 1

在DSX中构建模型时，数据会在训练，测试和保持中分开。这些数据集是不相交的。

• 如果选择了Customer字段，那么这是一个字符串字段，必须将其转换为数值，以便具有模型ML算法的含义（线性回归/逻辑回归/决策树等）。

如何做到这一点： 该算法迭代来自Customer字段的每个值，并创建一个字典，将字符串值映射到数值（请参阅spark StringIndexer - https://spark.apache.org/docs/2.2.0/ml-features.html#stringindexer）。 在评估或评分模型时，根据在训练点制作的字典将来自测试子集的字符串字段转换为数字。如果找不到值，则有两个选项（跳过整个记录或抛出错误 - 第一个选项由DSX选择）。

考虑到Customer字段中的所有值都是唯一的，这意味着测试数据集中的所有记录都没有到达评估阶段，并且从此处无法评估模型的错误。

• 如果是Cust_No，则该字段已经是数字，不需要进行类别编码操作。即使在训练中未找到评估步骤的值，也将按原样使用这些值。

Answer 2

退一步说，在我看来，除了Alerts之外，您的数据并不真正包含预测信息。

customer和Cust_no字段基本上是ID列，似乎不包含预测信息。

您可以发布Evaluation error的屏幕截图吗？我可以尝试帮助，我在DSX上工作。