Question

我是Python的新手，对于如何使用分类变量实现决策树非常困惑，因为它们由party中的ctree和R自动编码。

我想制作一个具有两个分类独立特征和一个依赖类的决策树。

我使用的数据框如下所示：

data
      title_overlap_quartile sales_rank_quartile rank_grp
    0                     Q4                  Q2    GRP 1
    1                     Q4                  Q3    GRP 1
    2                     Q2                  Q1    GRP 1
    3                     Q4                  Q1    GRP 1
    5                     Q2                  Q1    GRP 2

我知道需要使用labelencoder和/或一个热编码器在scikit中编码分类特征。

首先我尝试使用标签编码器，但由于DecisionTreeClassifier开始将编码变量视为连续变量，因此无法解决问题。然后我从这篇文章中读到：Issue with OneHotEncoder for categorical features首先应该使用标签编码器对变量进行编码，然后使用一个热编码器再次对其进行编码。

我尝试以下列方式在此数据集上实现该功能，但是收到错误。

def encode_features(df, columns):
    le = preprocessing.LabelEncoder()
    ohe = preprocessing.OneHotEncoder(sparse=False)
    for i in columns:
        le.fit(df[i].unique())
        df[i+'_le'] = le.transform(df[i])
        df[i+'_le'] = df[i+'_le'].values.reshape(-1, 1)
        df[i+'_le'+'_ohe'] = ohe.fit_transform(df[i+'_le'])
    return(df)

data = encode_features(data, ['title_overlap_quartile', 'sales_rank_quartile'])


  File "/Users/vaga/anaconda2/envs/py36/lib/python3.5/site-packages/pandas/core/series.py", line 2800, in _sanitize_index
    raise ValueError('Length of values does not match length of ' 'index')

ValueError: Length of values does not match length of index

当我从函数中删除ohe部分并在外部运行时，它会运行，但结果看起来很奇怪：

def encode_features(df, columns):
    le = preprocessing.LabelEncoder()
    ohe = preprocessing.OneHotEncoder(sparse=False)
    for i in columns:
        le.fit(df[i].unique())
        df[i+'_le'] = le.transform(df[i])
        # df[i+'_le'] = df[i+'_le'].values.reshape(-1, 1)
        # df[i+'_le'+'_ohe'] = ohe.fit_transform(df[i+'_le'])
    return(df)

data = encode_features(data, ['title_overlap_quartile', 'sales_rank_quartile']) 

data['title_overlap_quartile_le'] = data['title_overlap_quartile_le'].values.reshape(-1, 1)

print(ohe.fit_transform(data['title_overlap_quartile_le']))

[[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]]

我还尝试使用pandas.get_dummies将变量转换为具有二进制编码的多个列并使用它，但是它再次被决策树分类器视为连续变量。

有人可以帮助我如何使用分类变量作为分类来拟合决策树并输出树形图？

用于拟合和绘制我正在使用的树的代码是：

clf = tree.DecisionTreeClassifier()
clf = clf.fit(data[['title_overlap_score', 'sales_rank_quartile']], data[['rank_grp']])

dot_data = tree.export_graphviz(clf, out_file=None, feature_names=data[['title_overlap_score', 'sales_rank_quartile']].columns,  
                         filled=True, rounded=True,  
                         special_characters=True)  

graph = graphviz.Source(dot_data)  
graph.render("new_tree")

Answer 1

虽然决策树应该处理分类变量，但由于this未解决的错误，sklearn的实现目前无法实现。当前的解决方法，有点复杂，是在将分类变量传递给分类器之前对其进行单热编码。

你试过category_encoders吗？这更容易处理，也可以在管道中使用。

scikit-learn的latest尚未发布的版本似乎允许字符串列类型，而不转换为int。

将OneHotEncoder用于决策树分类器

1 个答案: