Python Sklearn：了解分类变量的d树输出

Question

我正在学习Python Scikit-learn 。

我最近在问题集上实施了d-tree。数据集具有所有分类特征，与R不同，Python需要对分类变量进行虚拟编码。

我使用以下代码执行了所有分类变量的虚拟编码：

col_names =['city_name','signup_os','signup_channel']
df_with_dummies = pd.get_dummies(df2, columns = col_names)

虚拟编码根据每列所具有的因子数创建新列，然后用0和1替换值：

我在这个新的数据帧上创建了一个d-tree算法，但令我困惑的是输出。

d-tree方法已为虚拟编码列提供 .5 的节点值：

如何解释输出？价值sign_up_os_windows <=.5的意义是什么？我应该如何将其转换回原始变量？

请帮助我提供您的意见。

Answer 1

• DT分类器将二进制分类变量表示为float 0.5 不是问题。条件signup_os_ios_web <= 0.5与signup_os_ios_web == 0.0;
相同
• 该算法不会在内部转换输入。

让我假设 0 状态＆＃39;否＆＃39;和 1 状态＆＃39;是＆＃39;。在您的情况下，请考虑指示signup_os_ios_web的第一个节点：

• 如果答案是“否”＆＃39; （signup_os_ios_web <= 0.5因此等于0），然后它继续发展给它的孩子，特别是Eagerness;
• 如果后者也是“没有”，则算法沿着树向下移动，到达您的signup_os_windows二进制虚拟......依此类推。

将 0.5 视为一个简单的中等阈值或 0 和 1 之间的中心，它基本上划分了“是”＆＃39;并且没有＆＃39;两种可能的偶然事件。

实施例

让我们看看由22个样本组成的缩短的泰坦数据集。 X如下所示：

Indexer          (0)  (1)    (2)      (3)
PassengerID    Pclass Sex    Age      Fare
1                 3    1    22.00    7.2500
2                 1    0    38.00   71.2833
3                 3    0    26.00    7.9250
4                 1    0    35.00   53.1000
5                 3    1    35.00    8.0500

如您所见，Sex列是一个二进制分类变量，索引等于1.

y是一个数组，表示一个人是否幸存。如果我们打印出前5个样本，我们将收到：

  

数组（[0,0,0,0,0]）

这意味着从这个变量中取出的前5个人无法成功。

好的，在我们安装了DT分类器之后，我们可以创建一个图表来更彻底地查看树结构（我使用export_graphviz来实现它）：

第一个节点表示给定样本的性别，索引 1 与上面列出的名为Sex的列相关。列PassengerID只是X数据框的索引器。

您还可以看到条件与您的相似，因为阈值等于 0.5 。你可以把它读作：

  

如果性别为女性（如果Sex <= 0.5使其自动等于0），请继续执行左侧节点。

我希望澄清。