将分类数据传递给Sklearn决策树

Question

关于如何将分类数据编码为Sklearn Decission树有几篇帖子,但是从Sklearn文档中我们得到了这些

决策树的一些优点是:

(......)

能够处理数字和分类数据.其他技术通常专门用于分析仅具有一种变量类型的数据集.有关更多信息,请参阅算法

但是运行以下脚本

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()
tree.fit(data[['A','B','C']], data['Class'])

输出以下错误:

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python2.7/site-packages/sklearn/tree/tree.py", line 154, in fit
    X = check_array(X, dtype=DTYPE, accept_sparse="csc")
  File "/usr/local/lib/python2.7/site-packages/sklearn/utils/validation.py", line 377, in check_array
    array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: could not convert string to float: b

我知道在R中可以传递分类数据,Sklearn是否可能？

Answer 1

（这只是我从2016年开始的上述评论的格式，它仍然成立。）

该问题的公认答案具有误导性。

就目前而言，sklearn决策树不处理分类数据- 请参阅问题＃5442。

推荐的使用标签编码的方法将转换为DecisionTreeClassifier()将被视为数字的整数。如果您的分类数据不是序数，那么这不好-您将得到没有意义的拆分。

使用a OneHotEncoder是当前唯一有效的方法，它允许任意分割而不依赖于标签顺序，但计算量大。

Answer 2

（..）

能够处理数字和分类数据。

这仅意味着您可以使用

• 分类问题的DecisionTreeClassifier类
• 用于回归的DecisionTreeRegressor类。

无论如何，在使用sklearn拟合树之前，您需要对分类变量进行一次热编码，如下所示：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()

one_hot_data = pd.get_dummies(data[['A','B','C']],drop_first=True)
tree.fit(one_hot_data, data['Class'])

Answer 3

对于名义分类变量，我不会使用LabelEncoderbut sklearn.preprocessing.OneHotEncoder或pandas.get_dummies代替，因为这些类型的变量通常没有顺序。

Answer 4

从v0.24.0开始，scikit 支持在HistGradientBoostingClassifier和HistGradientBoostingRegressor 中使用分类特征！

要启用分类支持，可以将布尔掩码传递给 categorical_features 参数，指示哪个特征是分类的。在下文中，第一个特征将被视为分类特征，第二个特征将被视为数值特征：

>>> gbdt = HistGradientBoostingClassifier(categorical_features=[True, False])

同样，可以传递指示分类特征索引的整数列表：

>>> gbdt = HistGradientBoostingClassifier(categorical_features=[0])

您仍然需要对字符串进行编码，否则您将收到“无法将字符串转换为浮点数”错误。有关使用将字符串转换为整数的示例，请参阅此处。OrdinalEncoder

Answer 5

与接受的答案相反,我更倾向于使用Scikit-Learn提供的工具来实现此目的.这样做的主要原因是它们可以很容易地集成到管道中.

Scikit-Learn本身提供了非常好的类来处理分类数据.你不想编写自定义函数,你应该使用LabelEncoder它专门为此设计的.

请参阅文档中的以下代码:

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
le.fit(["paris", "paris", "tokyo", "amsterdam"])
le.transform(["tokyo", "tokyo", "paris"]) 

这会自动将它们编码为机器学习算法的数字.现在这也支持从整数返回字符串.你可以通过简单地调用inverse_transform如下来做到这一点:

list(le.inverse_transform([2, 2, 1]))

这会回来['tokyo', 'tokyo', 'paris'].

另请注意,对于许多其他分类器,除了逻辑回归或SVM等决策树之外,您还希望使用One-Hot编码对分类变量进行编码.Scikit-learn也通过OneHotEncoder课程支持这一点.

希望这可以帮助!