如何使用category_encoder包获取二进制编码的原始值

Question

我有一个数据集，其中包含 100 多个国家/地区。我想将这些包含在 XGBoost 模型中以进行分类预测。我知道 One Hot Encoding 是解决这个问题的首选过程，但我宁愿做一些不会增加维数太多并且能够适应新值的事情，所以我正在尝试使用该category_encoders包进行二进制分类。http://contrib.scikit-learn.org/categorical-encoding/binary.html

使用这种编码帮助我的模型摆脱了使用基本的单热编码的问题，但是编码后如何恢复到原始标签？

我知道该inverse_transform方法，但该方法适用于整个数据框。我需要一种可以输入二进制或整数值并返回原始值的方法。

以下是一些示例数据：https://towardsdatascience.com/smarter-ways-to-encode-categorical-data-for-machine-learning-part-1-of-3-6dca2f71b159

import numpy as np
import pandas as pd
import category_encoders as ce

# make some data
df = pd.DataFrame({
 'color':["a", "c", "a", "a", "b", "b"], 
 'outcome':[1, 2, 3, 2, 2, 2]})

# split into X and y
X = df.drop('outcome', axis = 1)
y = df.drop('color', axis = 1)

# instantiate an encoder - here we use Binary()
ce_binary = ce.BinaryEncoder(cols = ['color'])

# fit and transform and presto, you've got encoded data
ce_binary.fit_transform(X, y)

我想将值[0,0,1]或传递1到函数中并a作为值返回。

这样做的主要原因是为了查看模型的特征重要性。我可以根据列获取特征重要性，但这会给我返回一个列 ID，而不是最重要的类别的基本值。

Answer 1

请注意，您引用的文章建议仅对序数数据使用二进制编码器 - 即具有与之关联的顺序（小、中、大）的离散数据，而不是名义数据（红、白、蓝）。

如果您决定使用二进制编码器，则颜色（或国家/地区）的编码顺序将影响您的性能。例如，假设红色=001、白色=010、蓝色=011。当您应用 ML 算法时，它会发现红色和蓝色有一个共同特征（特征 3）。这可能不是您想要的。

在应用逆变换方面，您需要将逆变换应用到上面示例中的 [0,0,1]，而不是“1”。如果没有上下文，“1”就没有意义。您应该能够将逆变换应用于数据中的单个记录（行），但不能应用于单个列。逆缩放器需要对具有变压器输出尺寸的对象进行操作。