Question

我一直在尝试在回归树（或随机森林回归器）中使用分类的inpust，但是sklearn不断返回错误并要求输入数字。

import sklearn as sk
MODEL = sk.ensemble.RandomForestRegressor(n_estimators=100)
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works

MODEL = sk.tree.DecisionTreeRegressor()
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works

据我了解，这些方法中的分类输入应该是可能的，没有任何转换（例如WOE替代）。

还有其他人遇到过这种困难吗？

谢谢！

Answer 1

scikit-learn没有分类变量的专用表示（在R中为a.k.a因子），一种可能的解决方案是使用int将字符串编码为LabelEncoder：

import numpy as np
from sklearn.preprocessing import LabelEncoder  
from sklearn.ensemble import RandomForestRegressor

X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])

# transform 1st column to numbers
X[:, 0] = LabelEncoder().fit_transform(X[:,0]) 

regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

输出：

[[ 0.  1.  2.]
 [ 1.  2.  3.]
 [ 0.  3.  2.]
 [ 2.  1.  3.]]
[ 1.61333333  2.13666667  2.53333333  2.95333333]

但请记住，如果a和b是独立类别，这只是一个轻微的黑客攻击，它只适用于基于树的估算工具。为什么？因为b并不比a大。正确的方法是在OneHotEncoder或LabelEncoder之后使用pd.get_dummies，为X[:, 0]生成两个单独的热门编码列。

import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.ensemble import RandomForestRegressor

X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])

# transform 1st column to numbers
import pandas as pd
X_0 = pd.get_dummies(X[:, 0]).values
X = np.column_stack([X_0, X[:, 1:]])

regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

Answer 2

你必须在python中手动编写代码。我建议使用pandas.get_dummies()进行一次热编码。对于Boosted树，我使用factorize()成功实现了Ordinal编码。

还有一整套用于此类事情here。

有关更详细的说明，请参阅this Data Science Stack Exchange帖子。

具有分类输入的回归树或随机森林回归量

2 个答案: