跳到主要内容

ApproachingCategoricalVar处理分类变量

1. 认识分类变量​

分类变量/特征是指任何特征类型，可分为两⼤类:

  • 无序
  • 有序

无序变量是指两个或两个以上类别的变量，类别没有任何相关顺序。例如，如果将性别分为两组，即男性和⼥性，则可将其视为名义变量。 有序变量是指两个或两个以上类别的变量，其中每个类别都有顺序。例如，如果将教育程度分为“小学”、“初中”、“高中”、“大学”等，则可将其视为序数变量。

就定义⽽⾔，我们也可以将分类变量分为⼆元变量，即只有两个类别的分类变量。有些⼈甚⾄把分类变量称为 "循环 "变量。周期变量以 "周期 "的形式存在，例如⼀周中的天数： 周⽇、周⼀、周⼆、周三、周四、周五和周六。周六过后，⼜是周⽇。这就是⼀个循环。另⼀个例⼦是⼀天中的⼩时数，如果我们将它们视为类别的话。

分类变量有很多不同的定义，很多⼈也谈到要根据分类变量的类型来处理不同的分类变量。不过，我认为没有必要这样做。所有涉及分类变量的问题都可以⽤同样的⽅法处理。

开始之前，我们需要⼀个数据集（⼀如既往）。要了解分类变量，最好的免费数据集之⼀是 Kaggle分类特征编码挑战赛中的 cat-in-the-dat 。共有两个挑战，我们将使⽤第⼆个挑战的数据，因为它⽐前⼀个版本有更多变量，难度也更⼤。

数据集由各种分类变量组成：

  • ⽆序
  • 有序
  • 循环
  • ⼆元

目标变量对于学习分类变量来说并不十分重要，但最终我们将建立一个端到端模型，因此我们需要看图2的目标变量分布。目标是偏斜的，因此，对于这个二元分类问题来说，最好的指标是ROC曲线下面积（AUC）。我们也可以使用精确度和召回率，但AUC结合了这两个指标。因此，AUC是评估方法的最好选择。

总体⽽⾔，有：

  • 5个⼆元变量
  • 10个⽆序变量
  • 6个有序变量
  • 2个循环变量
  • 1个⽬标变量

让我们看看数据集中的ord_2特征。它包括6个不同的类别：

  • 冰冻
  • 温暖
  • 寒冷
  • 较热
  • 热
  • 非常热

因此，我们需要转换为文本数据，我们很容易能联想到字典能够帮助我们完成这一份任务。

# 映射字典
mapping = {
    "Freezing":0,
    "Warm":1,
    "Cold":2,
    "Boiling Hot":3,
    "Hot":4,
    "Lava Hot":5
}

2. 标签编码​

import pandas as pd
# 读取数据
df = pd.read_csv("../input/train.csv")
# 取*ord_2*列，并使用映射将类别转换为数字
df.loc[:, "*ord_2*"] = df.*ord_2*.map(mapping)
# 映射前的数值计数

df.*ord_2*.value_counts()
Freezing 142726
Warm 124239
Cold           97822
Boiling Hot    84790
Hot            67508
Lava Hot       64840
Name: *ord_2*, dtype: int64

这种分类变量的编码⽅式被称为标签编码（Label Encoding）我们将每个类别编码为⼀个数字标签。

我们也可以使用scikit-learn中的LabelEncoder进行编码。

import pandas as pd
from sklearn import preprocessing
# 读取数据
df = pd.read_csv("../input/train.csv")
# 将缺失值填充为"NONE"
df.loc[:, "*ord_2*"] = df.*ord_2*.fillna("NONE")
# LabelEncoder编码
lbl_enc = preprocessing.LabelEncoder()
# 转换数据
df.loc[:, "*ord_2*"] = lbl_enc.fit_transform(df.*ord_2*.values)

你会看到我使⽤了 pandas 的 fillna。原因是 scikit-learn 的 LabelEncoder ⽆法处理 NaN 值，⽽ord_2 列中有 NaN 值。

我们可以在许多基于树的模型中直接使⽤它：

  • 决策树
  • 随机森林
  • 提升树 或任何⼀种提升树模型
  • XGBoost
  • GBM
  • LightGBM 这种编码⽅式不能⽤于线性模型、⽀持向量机或神经⽹络，因为它们希望数据是标准化的。

对于这些类型的模型，我们可以对数据进⾏⼆值化（binarize）处理。

Freezing   → 0 → 0 0 0

Warm       → 1 → 0 0 1

Cold       → 2 → 0 1 0

Boiling Hot→ 3 → 0 1 1

Hot        → 4 → 1 0 0

Lava Hot   → 5 → 1 0 1

这只是将类别转换为数字，然后再转换为⼆值化表⽰。这样，我们就把⼀个特征分成了三个（在本例中）特征（或列）。如果我们有更多的类别，最终可能会分成更多的列。

如果我们⽤稀疏格式存储⼤量⼆值化变量，就可以轻松地存储这些变量。稀疏格式不过是⼀种在内存中存储数据的表⽰或⽅式，在这种格式中，你并不存储所有的值，⽽只存储重要的值。在上述⼆进制变量的情况中，最重要的就是有 1 的地⽅。

很难想象这样的格式，但举个例⼦就会明⽩。

假设上⾯的数据帧中只有⼀个特征： ord_2 。

Index Feature

0 Warm

1 Hot

2 Lava hot

⽬前，我们只看到数据集中的三个样本。让我们将其转换为⼆值表⽰法，即每个样本有三个项⽬。 这三个项⽬就是三个特征。

Index Feature_0 Feature_1 Feature_2

0 0 0 1

1 1 0 0

2 1 0 1

因此，我们的特征存储在⼀个有 3 ⾏ 3 列（3x3）的矩阵中。矩阵的每个元素占⽤ 8 个字节。因此，

这个数组的总内存需求为 8x3x3 = 72 字节。

我们还可以使⽤⼀个简单的 python 代码段来检查这⼀点。

import numpy as np
example = np.array(
 [
   [0, 0, 1],
   [1, 0, 0],
   [1, 0, 1]
 ]
)
print(example.nbytes)

注：应当打印出72，但打印出来36.此时矩阵的每个元素占用4个字节。

这段代码将打印出 72，就像我们之前计算的那样。但我们需要存储这个矩阵的所有元素吗？如前所述，我们只对 1 感兴趣。0 并不重要，因为任何与 0 相乘的元素都是 0，⽽ 0 与任何元素相加或相减也没有任何区别。只⽤ 1 表⽰矩阵的⼀种⽅法是某种字典⽅法，其中键是⾏和列的索引，值是 1。

(0, 2)  1

(1, 0)  1

(2, 0)  1

(2, 2)  1

这样的符号占⽤的内存要少得多，因为它只需存储四个值（在本例中）。使⽤的总内存为 8x4 = 32 字节。任何 numpy 数组都可以通过简单的 python 代码转换为稀疏矩阵。

import numpy as np
from scipy import sparse
example = np.array(
 [
   [0, 0, 1],
   [1, 0, 0],
   [1, 0, 1]
 ]
)
sparse_example = sparse.csr_matrix(example)
print(sparse_example.data.nbytes)
print(
  sparse_example.data.nbytes +
  sparse_example.indptr.nbytes +
  sparse_example.indices.nbytes
)

注：打印出48.

这将打印出 64 个元素，仍然少于我们的密集数组。遗憾的是，我不会详细介绍这些元素。你可以在scipy ⽂档中了解更多。当我们拥有更⼤的数组时，⽐如说拥有数千个样本和数万个特征的数组，⼤⼩差异就会变得⾮常⼤。例如，我们使⽤基于计数特征的⽂本数据集。（实际上运行是48个元素）

import numpy as np
from scipy import sparse
n_rows = 10000
n_cols = 100000
# 生成符合伯努利分布的随机数组，维度为[10000, 100000]
example = np.random.binomial(1, p=0.05, size=(n_rows, n_cols))
print(f"Size of dense array: {example.nbytes}")
# 将随机矩阵转换为稀疏矩阵
sparse_example = sparse.csr_matrix(example)
print(f"Size of sparse array: {sparse_example.data.nbytes}")
full_size = (
  sparse_example.data.nbytes +
  sparse_example.indptr.nbytes +
  sparse_example.indices.nbytes
)

print(f"Full size of sparse array: {full_size}")

因此，密集阵列需要 ~8000MB 或⼤约 8GB 内存。⽽稀疏阵列只占⽤ 399MB 内存。

这就是为什么当我们的特征中有⼤量零时，我们更喜欢稀疏阵列⽽不是密集阵列的原因。

请注意，稀疏矩阵有多种不同的表⽰⽅法。这⾥我只展⽰了其中⼀种（可能也是最常⽤的）⽅法。深⼊探讨这些⽅法超出了本书的范围，因此留给读者⼀个练习。

尽管⼆值化特征的稀疏表⽰⽐其密集表⽰所占⽤的内存要少得多，但对于分类变量来说，还有⼀种转换所占⽤的内存更少。这就是所谓的 "独热编码"。

3. 独热编码​

独热编码也是⼀种⼆值编码，因为只有 0 和 1 两个值。但必须注意的是，它并不是⼆值表⽰法。我们 可以通过下⾯的例⼦来理解它的表⽰法。

假设我们⽤⼀个向量来表⽰ ord_2 变量的每个类别。这个向量的⼤⼩与 ord_2 变量的类别数相同。在 这种特定情况下，每个向量的⼤⼩都是 6，并且除了⼀个位置外，其他位置都是 0。让我们来看看这 个特殊的向量表。

Freezing 0 0 0 0 0 1

Warm 0 0 0 0 1 0

Cold 0 0 0 1 0 0

Boiling Hot 0 0 1 0 0 0

Hot 0 1 0 0 0 0

Lava Hot 1 0 0 0 0 0

我们看到向量的⼤⼩是 1x6，即向量中有6个元素。这个数字是怎么来的呢？如果你仔细观察，就会发现如前所述，有6个类别。在进⾏独热编码时，向量的⼤⼩必须与我们要查看的类别数相同。每个向量都有⼀个 1，其余所有值都是 0。现在，让我们⽤这些特征来代替之前的⼆值化特征，看看能节省多少内存。

如果你还记得以前的数据，它看起来如下：

Index Feature

0 Warm

1 Hot

2 Lava hot

每个样本有3个特征。但在这种情况下，独热向量的⼤⼩为 6。因此，我们有6个特征，⽽不是3个。

Index F_0 F_1 F_2 F_3 F_4 F_5

0 0 0 0 0 1 0

1 0 1 0 0 0 0

2 1 0 1 0 0 0

因此，我们有 6 个特征，⽽在这个 3x6 数组中，只有 3 个1。使⽤ numpy 计算⼤⼩与⼆值化⼤⼩计算脚本⾮常相似。你需要改变的只是数组。让我们看看这段代码:

import numpy as np
from scipy import sparse
example = np.array(
 [
   [0, 0, 0, 0, 1, 0],
   [0, 1, 0, 0, 0, 0],
   [1, 0, 0, 0, 0, 0]
 ]
)
print(f"Size of dense array: {example.nbytes}")
sparse_example = sparse.csr_matrix(example)
print(f"Size of sparse array: {sparse_example.data.nbytes}")
full_size = (
  sparse_example.data.nbytes +
  sparse_example.indptr.nbytes +
  sparse_example.indices.nbytes
)
print(f"Full size of sparse array: {full_size}")

我们可以看到，密集矩阵的⼤⼩远远⼤于⼆值化矩阵的⼤⼩。不过，稀疏数组的⼤⼩要更⼩。让我们⽤更⼤的数组来试试。在本例中，我们将使⽤ scikit-learn 中的 OneHotEncoder 将包含 1001 个类别的特征数组转换为密集矩阵和稀疏矩阵。

import numpy as np
from sklearn import preprocessing

# 生成符合均匀分布的随机整数，维度为[1000000, 10000000]
example = np.random.randint(1000, size=1000000)

# 独热编码，非稀疏矩阵
# 独热编码函数sparse参数已经改变：Added in version 1.2: sparse was renamed to sparse_output
ohe = preprocessing.OneHotEncoder(sparse_output=False)
# 将随机数组展平
ohe_example = ohe.fit_transform(example.reshape(-1, 1))
print(f"Size of dense array: {ohe_example.nbytes}")
# 独热编码，稀疏矩阵
ohe = preprocessing.OneHotEncoder(sparse_output=True)
# 将随机数组展平
ohe_example = ohe.fit_transform(example.reshape(-1, 1))
print(f"Size of sparse array: {ohe_example.data.nbytes}")
full_size = (
  ohe_example.data.nbytes +
  ohe_example.indptr.nbytes +
  ohe_example.indices.nbytes
)
print(f"Full size of sparse array: {full_size}")

结果：

Size of dense array: 8000000000
Size of sparse array: 8000000
Full size of sparse array: 16000004

这⾥的密集阵列⼤⼩约为 8GB，稀疏阵列为 8MB。如果可以选择，你会选择哪个？在我看来，选择很简单，不是吗？

这三种⽅法（标签编码、稀疏矩阵、独热编码）是处理分类变量的最重要⽅法。不过，你还可以⽤很多其他不同的⽅法来处理分类变量。将分类变量转换为数值变量就是其中的⼀个例⼦。

假设我们回到之前的分类特征数据（原始数据中的 cat-in-the-dat-ii）。在数据中， ord_2 的值为“热”的 id 有多少？

我们可以通过计算数据的形状（shape）轻松计算出这个值，其中 ord_2 列的值为 Boiling Hot 。

In [X]: df[df.ord_2 == "Boiling Hot"].shape
Out[X]: (84790, 25)

我们可以看到，有 84790 条记录具有此值。我们还可以使⽤ pandas 中的 groupby 计算所有类别的该 值。

In [X]: df.groupby(["ord_2"])["id"].count()
Out[X]:
ord_2
Boiling Hot  84790
Cold 97822
Freezing 142726
Hot 67508
Lava Hot 64840
Warm 124239
Name: id, dtype: int64

如果我们只是将 ord_2 列替换为其计数值，那么我们就将其转换为⼀种数值特征了。我们可以使⽤ pandas 的 transform 函数和 groupby 来创建新列或替换这⼀列。

In [X]: df.groupby(["ord_2"])["id"].transform("count")
Out[X]:
0   67508.0

1   124239.0

2   142726.0

3   64840.0

4   97822.0

...

599995 142726.0

599996  84790.0

599997 142726.0

599998 124239.0

599999  84790.0

Name: id, Length: 600000, dtype: float64

你可以添加所有特征的计数，也可以替换它们，或者根据多个列及其计数进⾏分组。例如，以下代码通过对 ord_1 和 ord_2 列分组进⾏计数。

In [X]: df.groupby(
...:  [
...:   "ord_1",
...:   "ord_2"
...:  ]
...: )["id"].count().reset_index(name="count")
Out[X]:
ord_1   ord_2 count

0 Contributor Boiling Hot 15634

1 Contributor   Cold 17734

2 Contributor  Freezing 26082

3 Contributor   Hot 12428

4 Contributor  Lava Hot 11919

5 Contributor   Warm 22774

6  Expert Boiling Hot 19477

7  Expert   Cold 22956

8  Expert  Freezing 33249

9  Expert   Hot 15792

10  Expert  Lava Hot 15078

11  Expert   Warm 28900

12 Grandmaster Boiling Hot 13623

13 Grandmaster   Cold 15464

14 Grandmaster  Freezing 22818

15 Grandmaster   Hot 10805

16 Grandmaster  Lava Hot 10363

17 Grandmaster   Warm 19899

18  Master Boiling Hot 10800

请注意，我已经从输出中删除了⼀些⾏，以便在⼀⻚中容纳这些⾏。这是另⼀种可以作为功能添加的计数。您现在⼀定已经注意到，我使⽤ id 列进⾏计数。不过，你也可以通过对列的组合进⾏分组，对其他列进⾏计数。

还有⼀个⼩窍⻔，就是从这些分类变量中创建新特征。你可以从现有的特征中创建新的分类特征，⽽且可以毫不费⼒地做到这⼀点。

In [X]: df["new_feature"] = (

...:  df.ord_1.astype(str)

...:  + "_"

...:  + df.ord_2.astype(str)

...: )
In [X]: df.new_feature

Out[X]:

0    Contributor_Hot

1    Grandmaster_Warm

2     nan_Freezing

3     Novice_Lava Hot

4    Grandmaster_Cold

     ...

599999 Contributor_Boiling Hot

Name: new_feature, Length: 600000, dtype: object

在这⾥，我们⽤下划线将 ord_1 和 ord_2 合并，然后将这些列转换为字符串类型。请注意，NaN 也会转换为字符串。不过没关系。我们也可以将NaN 视为⼀个新的类别。这样，我们就有了⼀个由这两个特征组合⽽成的新特征。您还可以将三列以上或四列甚⾄更多列组合在⼀起。

In [X]: df["new_feature"] = (

...:  df.ord_1.astype(str)

 ...:  + "_"

...:  + df.ord_2.astype(str)

...: + "_"

 ...: + df.ord_3.astype(str)

 ...: )
In [X]: df.new_feature

Out[X]:

0 Contributor_Hot_c

1 Grandmaster_Warm_e

2 nan_Freezing_n

3 Novice_Lava Hot_a

4  Grandmaster_Cold_h

   ...
599999 Contributor_Boiling Hot_b

Name: new_feature, Length: 600000, dtype: object

4. 尝试结合类别​

那么，我们应该把哪些类别结合起来呢？这并没有⼀个简单的答案。这取决于您的数据和特征类型。

⼀些领域知识对于创建这样的特征可能很有⽤。但是，如果你不担⼼内存和 CPU 的使⽤，你可以采⽤⼀种贪婪的⽅法，即创建许多这样的组合，然后使⽤⼀个模型来决定哪些特征是有⽤的，并保留它们。我们将在本书稍后部分介绍这种⽅法。

⽆论何时获得分类变量，都要遵循以下简单步骤：

  • 填充 NaN 值（这⼀点⾮常重要！）。

  • 使⽤ scikit-learn 的 LabelEncoder 或映射字典进⾏标签编码，将它们转换为整数。如果没有填充 NaN 值，可能需要在这⼀步中进⾏处理

  • 创建独热编码。是的，你可以跳过⼆值化！

  • 建模！我指的是机器学习。

在分类特征中处理 NaN 数据⾮常重要，否则您可能会从 scikit-learn 的 LabelEncoder 中得到臭名昭著的错误信息：

ValueError: y 包含以前未⻅过的标签： [nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan, nan]

这仅仅意味着，在转换测试数据时，数据中出现了 NaN 值。这是因为你在训练时忘记了处理它们。处理 NaN 值的⼀个简单⽅法就是丢弃它们。虽然简单，但并不理想。NaN 值中可能包含很多信息，如果只是丢弃这些值，就会丢失这些信息。在很多情况下，⼤部分数据都是 NaN 值，因此不能丢弃NaN 值的⾏/样本。处理 NaN 值的另⼀种⽅法是将其作为⼀个全新的类别。这是处理 NaN 值最常⽤的⽅法。如果使⽤ pandas，还可以通过⾮常简单的⽅式实现。

请看我们之前查看过的数据的 ord_2 列。

In [X]: df.ord_2.value_counts()

Out[X]:

Freezing 142726

Warm 124239

Cold   97822

Boiling Hot  84790

Hot    67508

Lava Hot  64840

Name: ord_2, dtype: int64

填⼊ NaN 值后，就变成了

In [X]: df.ord_2.fillna("NONE").value_counts()

Out[X]:

Freezing 142726

Warm 124239

Cold   97822

Boiling Hot  84790

Hot    67508

Lava Hot  64840

NONE   18075

Name: ord_2, dtype: int64

哇！这⼀列中有 18075 个 NaN 值，⽽我们之前甚⾄都没有考虑使⽤它们。增加了这个新类别后，类别总数从 6 个增加到了 7 个。这没关系，因为现在我们在建⽴模型时，也会考虑 NaN。相关信息越多，模型就越好。

假设 ord_2 没有任何 NaN 值。我们可以看到，这⼀列中的所有类别都有显著的计数。其中没有 "罕⻅"类别，即只在样本总数中占很⼩⽐例的类别。现在，让我们假设您在⽣产中部署了使⽤这⼀列的模型，当模型或项⽬上线时，您在 ord_2 列中得到了⼀个在训练中不存在的类别。在这种情况下，模型管道会抛出⼀个错误，您对此⽆能为⼒。如果出现这种情况，那么可能是⽣产中的管道出了问题。如果这是预料之中的，那么您就必须修改您的模型pipeline，并在这六个类别中加⼊⼀个新类别。

这个新类别被称为 "罕⻅" 类别。罕⻅类别是⼀种不常⻅的类别，可以包括许多不同的类别。您也可以尝试使⽤近邻模型来 "预测" 未知类别。请记住，如果您预测了这个类别，它就会成为训练数据中的⼀个类别。

当我们有⼀个如图 3 所⽰的数据集时，我们可以建⽴⼀个简单的模型，对除 "f3 "之外的所有特征进⾏训练。这样，你将创建⼀个模型，在不知道或训练中没有 "f3 "时预测它。我不敢说这样的模型是否能带来出⾊的性能，但也许能处理测试集或实时数据中的缺失值，就像机器学习中的其他事情⼀样，不尝试⼀下是说不准的。

如果你有⼀个固定的测试集，你可以将测试数据添加到训练中，以了解给定特征中的类别。这与半监督学习⾮常相似，即使⽤⽆法⽤于训练的数据来改进模型。这也会照顾到在训练数据中出现次数极少但在测试数据中⼤量存在的稀有值。你的模型将更加稳健。

很多⼈认为这种想法会过度拟合。可能过拟合，也可能不过拟合。有⼀个简单的解决⽅法。如果你在设计交叉验证时，能够在测试数据上运⾏模型时复制预测过程，那么它就永远不会过拟合。这意味着第⼀步应该是分离折叠，在每个折叠中，你应该应⽤与测试数据相同的预处理。假设您想合并训练数据和测试数据，那么在每个折叠中，您必须合并训练数据和验证数据，并确保验证数据集复制了测试集。在这种特定情况下，您必须以这样⼀种⽅式设计验证集，使其包含训练集中 "未⻅" 的类别:

import pandas as pd
from sklearn import preprocessing
# 读取训练集
train = pd.read_csv("/input/cat_train.csv")
# 读取测试集
test = pd.read_csv("../input/cat_test.csv")
# 将测试集"target"列全部置为-1
test.loc[:, "target"] = -1
# 将训练集、测试集沿行拼接
data = pd.concat([train, test]).reset_index(drop=True)
# 将除"id"和"target"列的其他特征列名取出
features = [x for x in train.columns if x not in ["id", "target"]]
# 遍历特征
for feat in features:
# 标签编码
lbl_enc = preprocessing.LabelEncoder()
# 将空值替换为"NONE",并将该列格式变为str
temp_col = data[feat].fillna("NONE").astype(str).values
# 转换数值
data.loc[:, feat] = lbl_enc.fit_transform(temp_col)
# 根据"target"列将训练集与测试集分开
train = data[data.target != -1].reset_index(drop=True)
test = data[data.target == -1].reset_index(drop=True)

当您遇到已经有测试数据集的问题时，这个技巧就会起作⽤。必须注意的是，这⼀招在实时环境中不 起作⽤。例如，假设您所在的公司提供实时竞价解决⽅案（RTB）。RTB 系统会对在线看到的每个⽤ ⼾进⾏竞价，以购买⼴告空间。这种模式可使⽤的功能可能包括⽹站中浏览的⻚⾯。我们假设这些特 征是⽤⼾访问的最后五个类别/⻚⾯。在这种情况下，如果⽹站引⼊了新的类别，我们将⽆法再准确预 测。在这种情况下，我们的模型就会失效。这种情况可以通过使⽤ "未知 "类别来避免。

在我们的 cat-in-the-dat 数据集中， ord_2 列中已经有了未知类别。

In [X]: df.ord_2.fillna("NONE").value_counts()

Out[X]:

Freezing 142726

Warm 124239

Cold 97822

Boiling Hot 84790

Hot 67508

Lava Hot 64840

NONE 18075

Name: ord_2, dtype: int64

我们可以将 "NONE "视为未知。因此，如果在实时测试过程中，我们获得了以前从未⻅过的新类别， 我们就会将其标记为 "NONE"。

这与⾃然语⾔处理问题⾮常相似。我们总是基于固定的词汇建⽴模型。增加词汇量就会增加模型的⼤ ⼩。像 BERT 这样的转换器模型是在 ~30000 个单词（英语）的基础上训练的。因此，当有新词输⼊ 时，我们会将其标记为 UNK（未知）。

因此，您可以假设测试数据与训练数据具有相同的类别，也可以在训练数据中引⼊罕⻅或未知类别， 以处理测试数据中的新类别。

让我们看看填⼊ NaN 值后 ord_4 列的值计数：

In [X]: df.ord_4.fillna("NONE").value_counts()

Out[X]:

N 39978

P 37890

Y 36657

A 36633

R 33045

U 32897

.
.
.
K 21676

I 19805

NONE 17930

D 17284

F 16721

W 8268

Z 5790

S 4595

G 3404

V 3107

J 1950

L 1657

Name: ord_4, dtype: int64

我们看到，有些数值只出现了⼏千次，有些则出现了近 40000 次。NaN 也经常出现。请注意，我已 经从输出中删除了⼀些值。

现在，我们可以定义将⼀个值称为 "罕⻅（rare） "的标准了。⽐⽅说，在这⼀列中，稀有值的要求是 计数⼩于 2000。这样看来，J 和 L 就可以被标记为稀有值了。使⽤ pandas，根据计数阈值替换类别 ⾮常简单。让我们来看看它是如何实现的。

In [X]: df.ord_4 = df.ord_4.fillna("NONE")

In [X]: df.loc[

...: df["ord_4"].value_counts()[df["ord_4"]].values < 2000,

...: "ord_4"

...: ] = "RARE"

In [X]: df.ord_4.value_counts()

Out[X]:

N 39978

P 37890

Y 36657

A 36633

R 33045

U 32897

M 32504

.
.
.
B 25212

E 21871

K 21676

I 19805

NONE 17930

D 17284

F 16721

W 8268

Z 5790

S 4595

RARE 3607

G 3404

V 3107

Name: ord_4, dtype: int64

我们认为，只要某个类别的值⼩于 2000，就将其替换为罕⻅。因此，现在在测试数据时，所有未⻅ 过的新类别都将被映射为 "RARE"，⽽所有缺失值都将被映射为 "NONE"。

这种⽅法还能确保即使有新的类别，模型也能在实际环境中正常⼯作。

现在，我们已经具备了处理任何带有分类变量问题所需的⼀切条件。让我们尝试建⽴第⼀个模型，并逐步提⾼其性能。

在构建任何类型的模型之前，交叉检验⾄关重要。我们已经看到了标签/⽬标分布，知道这是⼀个⽬标偏斜的⼆元分类问题。因此，我们将使⽤ StratifiedKFold 来分割数据。

import pandas as pd
from sklearn import model_selection
if __name__ == "__main__":
    # 读取数据文件
    df = pd.read_csv("../input/cat_train.csv")
    # 添加"kfold"列，并置为-1
    df["kfold"] = -1
    # 打乱数据顺序，重置索引
    df = df.sample(frac=1).reset_index(drop=True)
    # 将目标列取出
    y = df.target.values
    # 分层k折交叉检验
    kf = model_selection.StratifiedKFold(n_splits=5)
    for f, (t_, v_) in enumerate(kf.split(X=df, y=y)):
    # 区分折叠
    df.loc[v_, 'kfold'] = f
    # 保存文件
    df.to_csv("../input/cat_train_folds.csv", index=False)

现在检查新的折叠csv，查看每个折叠的样本数：

In [X]: import pandas as pd
In [X]: df = pd.read_csv("../input/cat_train_folds.csv")
In [X]: df.kfold.value_counts()
Out[X]:
4 120000
3 120000
2 120000
1 120000
0 120000
Name: kfold, dtype: int64

所有折叠都有600000/5=120000600000/5=120000个样本，证明我们的工作是顺利的。

现在，我们还可以检查每个折叠的⽬标分布。

In [X]: df[df.kfold==0].target.value_counts()
Out[X]:
0 97536
1 22464
Name: target, dtype: int64
In [X]: df[df.kfold==1].target.value_counts()
Out[X]:
0 97536
1 22464
Name: target, dtype: int64
In [X]: df[df.kfold==2].target.value_counts()
Out[X]:
0 97535
1 22465
Name: target, dtype: int64
In [X]: df[df.kfold==3].target.value_counts()
Out[X]:
0 97535
1 22465
Name: target, dtype: int64
In [X]: df[df.kfold==4].target.value_counts()
Out[X]:
0 97535
1 22465
Name: target, dtype: int64

每个折叠中，⽬标的分布都是⼀样的.

建立一个最简单的模型之一：对所有数据进⾏独热编码并使⽤逻辑回归。

import pandas as pd
from sklearn import linear_model
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
# 读取分层k折交叉检验数据
df = pd.read_csv("../input/cat_train_folds.csv")
# 取除"id", "target", "kfold"外的其他特征列
features = [
f for f in df.columns if f not in ("id", "target", "kfold")
]
那么，发⽣了什么呢？
我们创建了⼀个函数，将数据分为训练和验证两部分，给定折叠数，处理 NaN 值，对所有数据进⾏
单次编码，并训练⼀个简单的逻辑回归模型。
当我们运⾏这部分代码时，会产⽣如下输出：
# 遍历特征列表
for col in features:
# 将空值置为"NONE"
df.loc[:, col] = df[col].astype(str).fillna("NONE")
# 取训练集（kfold列中不为fold的样本，重置索引）
df_train = df[df.kfold .. fold].reset_index(drop=True)
# 取验证集（kfold列中为fold的样本，重置索引）
df_valid = df[df.kfold .. fold].reset_index(drop=True)
# 独热编码
ohe = preprocessing.OneHotEncoder()
# 将训练集、验证集沿行合并
full_data = pd.concat([df_train[features], df_valid[features]], axis=0)
ohe.fit(full_data[features])
# 转换训练集
x_train = ohe.transform(df_train[features])
# 转换测试集
x_valid = ohe.transform(df_valid[features])
# 逻辑回归
model = linear_model.LogisticRegression()
# 使用训练集训练模型
model.fit(x_train, df_train.target.values)
# 使用验证集得到预测标签
valid_preds = model.predict_proba(x_valid)[:, 1]
# 计算auc指标
auc = metrics.roc_auc_score(df_valid.target.values, valid_preds)
print(auc)
if __name__ == "__main__":
# 运行折叠0
run(0)
提示

刚刚发生的事情：数据分为训练和验证两部分，给定折叠数，处理 NaN 值，对所有数据进⾏单次编码，并训练⼀个简单的逻辑回归模型。

产生输出：

python ohe_logres.py
/home/abhishek/miniconda3/envs/ml/lib/python3.7/site-
packages/sklearn/linear_model/_logistic.py:939: ConvergenceWarning: lbfgs
failed to converge (status=1):
STOP: TOTAL NO. of ITERATIONS REACHED LIMIT.
Increase the number of iterations (max_iter) or scale the data as shown
in:
https://scikit-learn.org/stable/modules/preprocessing.html.
Please also refer to the documentation for alternative solver options:
https://scikit-learn.org/stable/modules/linear_model.html#logistic-
regression
extra_warning_msg=_LOGISTIC_SOLVER_CONVERGENCE_MSG)
0.7847865042255127

逻辑回归似乎没有收敛到最⼤迭代次数。这个问题是因为我们还没有调整参数。AUC此时为0.785。

运⾏所有折叠：

model = linear_model.LogisticRegression()
model.fit(x_train, df_train.target.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.target.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
# 循环运行0~4折
for fold_ in range(5):
run(fold_)

打印出：

python -W ignore ohe_logres.py
Fold = 0, AUC = 0.7847865042255127
Fold = 1, AUC = 0.7853553605899214
Fold = 2, AUC = 0.7879321942914885
Fold = 3, AUC = 0.7870315929550808
Fold = 4, AUC = 0.7864668243125608

5. 标签编码​

我们看到，AUC 分数在所有褶皱中都相当稳定。平均 AUC 为 0.78631449527。对于我们的第⼀个模型来说相当不错！

很多⼈在遇到这种问题时会⾸先使⽤基于树的模型，⽐如随机森林。在这个数据集中应⽤随机森林时，我们可以使⽤标签编码（label encoding），将每⼀列中的每个特征都转换为整数，⽽不是之前讨论过的独热编码。

# 使⽤ scikit-learn 中的随机森林，并取消了独热编码
import pandas as pd
from sklearn import ensemble
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/cat_train_folds.csv")
features = [f for f in df.columns if f not in ("id", "target", "kfold") ]
for col in features:
df.loc[:, col] = df[col].astype(str).fillna("NONE")
for col in features:
# 标签编码
lbl = preprocessing.LabelEncoder()
lbl.fit(df[col])
df.loc[:, col] = lbl.transform(df[col])
df_train = df[df.kfold == fold].reset_index(drop=True)
df_valid = df[df.kfold == fold].reset_index(drop=True)
x_train = df_train[features].values
x_valid = df_valid[features].values
# 随机森林模型
model = ensemble.RandomForestClassifier(n_jobs=-1)
model.fit(x_train, df_train.target.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.target.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
for fold_ in range(5):
run(fold_)

随机森林模型在没有任何超参数调整的情况下，表现要⽐简单的逻辑回归差很多。

但这不意味着，随机森林模型比逻辑回归模型更好，事实上，随机森林的耗时更久，而且会损失AUC。这是一把双刃剑。

尝试在稀疏的独热编码数据上运⾏随机森林，会耗费大量的时间。但是我们可以使用奇异值分解来减少稀疏的独热编码矩阵：

# 对全部数据进⾏独热编码，然后⽤训练数据和验证数据在稀疏矩阵上拟合 scikit-learn 的TruncatedSVD
# 将⾼维稀疏矩阵减少到 120 个特征，然后拟合随机森林分类器
import pandas as pd
from scipy import sparse
from sklearn import decomposition
from sklearn import ensemble
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/cat_train_folds.csv")
features = [f for f in df.columns if f not in ("id", "target", "kfold")]
for col in features:
df.loc[:, col] = df[col].astype(str).fillna("NONE")
df_train = df[df.kfold == fold].reset_index(drop=True)
df_valid = df[df.kfold == fold].reset_index(drop=True)
# 独热编码
ohe = preprocessing.OneHotEncoder()
full_data = pd.concat([df_train[features], df_valid[features]], axis=0)
ohe.fit(full_data[features])
x_train = ohe.transform(df_train[features])
x_valid = ohe.transform(df_valid[features])
# 奇异值分解
svd = decomposition.TruncatedSVD(n_components=120)
full_sparse = sparse.vstack((x_train, x_valid))
svd.fit(full_sparse)
x_train = svd.transform(x_train)
x_valid = svd.transform(x_valid)
model = ensemble.RandomForestClassifier(n_jobs=-1)
model.fit(x_train, df_train.target.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.target.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
for fold_ in range(5):
run(fold_)

输出：

python ohe_svd_rf.py
Fold = 0, AUC = 0.7064863038754249
Fold = 1, AUC = 0.706050102937374
Fold = 2, AUC = 0.7086069243167242
Fold = 3, AUC = 0.7066819080085971
Fold = 4, AUC = 0.7058154015055585

结果不尽人意，这个问题的最优解应该是用逻辑回归和独热编码。

我们可以尝试另一种算法：XGBoost：

# 使⽤标签编码数据
import pandas as pd
import xgboost as xgb
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/cat_train_folds.csv")
features = [f for f in df.columns if f not in ("id", "target", "kfold") ]
for col in features:
df.loc[:, col] = df[col].astype(str).fillna("NONE")
for col in features:
# 标签编码
lbl = preprocessing.LabelEncoder()
lbl.fit(df[col])
df.loc[:, col] = lbl.transform(df[col])
df_train = df[df.kfold == fold].reset_index(drop=True)
df_valid = df[df.kfold == fold].reset_index(drop=True)
x_train = df_train[features].values
x_valid = df_valid[features].values
# XGBoost模型
# XGBoost 的默认最⼤深度（max_depth）是 3，此处修改为7
# 估计器数量（n_estimators）从 100 改成了 200
model = xgb.XGBClassifier(
n_jobs=-1,
max_depth=7,
n_estimators=200)
model.fit(x_train, df_train.target.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.target.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
for fold_ in range(5):
      run(fold_)

得分：

python lbl_xgb.py
Fold = 0, AUC = 0.7656768851999011
Fold = 1, AUC = 0.7633006564148015
Fold = 2, AUC = 0.7654277821434345
Fold = 3, AUC = 0.7663609758878182
Fold = 4, AUC = 0.764914671468069

明显比随机森林要高很多。

6. 尝试做一些特征工程​

在进行下一章之前，让我们来尝试一下做特征工程，现在把目光放到这个大数据集美国成⼈⼈⼝普查数据：

我们的任务是为这些人预测⼯资等级。

该数据集有以下⼏列：

年龄（age）
⼯作类别（workclass）
学历（fnlwgt）
教育程度（education）
教育程度（education.num）
婚姻状况（marital.status）
职业（occupation）
关系（relationship）
种族（race）
性别（sex）
资本收益（capital.gain）
资本损失（capital.loss）
每周⼩时数（hours.per.week）
原籍国（native.country）
收⼊（income）

我们倾向于认为收入是比较有用的列。所以我们对收入进行数值统计:

In [X]: import pandas as pd
In [X]: df = pd.read_csv("../input/adult.csv")
In [X]: df.income.value_counts()
Out[X]:
<=50K 24720
>50K 7841

有 7841 个实例的收⼊超过 5 万美元。这占样本总数的 24%。因此，我们将保持与猫数据集相同的评估⽅法，即 AUC。

我们去掉一些特征试试：

学历（fnlwgt）
年龄（age）
资本收益（capital.gain）
资本损失（capital.loss）
每周⼩时数（hours.per.week）

⽤逻辑回归和独热编码器:

import pandas as pd
from sklearn import linear_model
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/adult_folds.csv")
# 需要删除的列
num_cols = [
"fnlwgt",
"age",
"capital.gain",
"capital.loss",
"hours.per.week"
]
df = df.drop(num_cols, axis=1)
# 映射
target_mapping = {
">=50K": 0,
">50K": 1
}
# 使用映射替换
df.loc[:, "income"] = df.income.map(target_mapping)
# 取除"kfold", "income"列的其他列名
features = [f for f in df.columns if f not in ("kfold", "income") ]
for col in features:
# 将空值替换为"NONE"
df.loc[:, col] = df[col].astype(str).fillna("NONE")
# 取训练集（kfold列中不为fold的样本，重置索引）
df_train = df[df.kfold == fold].reset_index(drop=True)
# 取验证集（kfold列中为fold的样本，重置索引）
df_valid = df[df.kfold == fold].reset_index(drop=True)
# 独热编码
ohe = preprocessing.OneHotEncoder()
# 将训练集、测试集沿行合并
full_data = pd.concat([df_train[features], df_valid[features]], axis=0)
ohe.fit(full_data[features])
# 转换训练集
x_train = ohe.transform(df_train[features])
# 转换验证集
x_valid = ohe.transform(df_valid[features])
# 构建逻辑回归模型
model = linear_model.LogisticRegression()
# 使用训练集训练模型
model.fit(x_train, df_train.income.values)
# 使用验证集得到预测标签
valid_preds = model.predict_proba(x_valid)[:, 1]
# 计算auc指标
auc = metrics.roc_auc_score(df_valid.income.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__  =="__main__":
# 运行0~4折
for fold_ in range(5):
run(fold_)

得到：

python -W ignore ohe_logres.py
Fold = 0, AUC = 0.8794809708119079
Fold = 1, AUC = 0.8875785068274882
Fold = 2, AUC = 0.8852609687685753
Fold = 3, AUC = 0.8681236223251438
Fold = 4, AUC = 0.8728581541840037

这个结果是不错的！现在我们不调整任何超参数，尝试标签编码下的XGBoost：

import pandas as pd
import xgboost as xgb
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/adult_folds.csv")
num_cols = [ "fnlwgt",
"age",
"capital.gain",
"capital.loss",
"hours.per.week"
]
df = df.drop(num_cols, axis=1)
target_mapping = {
">=50K": 0,
">50K": 1
}
df.loc[:, "income"] = df.income.map(target_mapping)
features = [f for f in df.columns if f not in ("kfold", "income") ]
for col in features:
df.loc[:, col] = df[col].astype(str).fillna("NONE")
for col in features:
# 标签编码
lbl = preprocessing.LabelEncoder()
lbl.fit(df[col])
df.loc[:, col] = lbl.transform(df[col])
df_train = df[df.kfold == fold].reset_index(drop=True)
df_valid = df[df.kfold == fold].reset_index(drop=True)
x_train = df_train[features].values
x_valid = df_valid[features].values
# XGBoost模型
model = xgb.XGBClassifier(n_jobs=-1)
model.fit(x_train, df_train.income.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.income.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
# 运行0~4折
for fold_ in range(5):
run(fold_)

运行代码后:

python lbl_xgb.py
Fold = 0, AUC = 0.8800810634234078
Fold = 1, AUC = 0.886811884948154
Fold = 2, AUC = 0.8854421433318472
Fold = 3, AUC = 0.8676319549361007
Fold = 4, AUC = 0.8714450054900602
# max_depth 增加到 7 和 n_estimators 增加到 200 
python lbl_xgb.py
Fold = 0, AUC = 0.8764108944332032
Fold = 1, AUC = 0.8840708537662638
Fold = 2, AUC = 0.8816601162613102
Fold = 3, AUC = 0.8662335762581732
Fold = 4, AUC = 0.8698983461709926

改善非常不明显，说明⼀个数据集的参数不能移植到另⼀个数据集。

在接下来的章节中，将再次调整参数。现在，我们尝试在不调整参数的情况下将数值特征纳⼊ xgboost 模型：

import pandas as pd
import xgboost as xgb
from sklearn import metrics
from sklearn import preprocessing
def run(fold):
df = pd.read_csv("../input/adult_folds.csv")
# 加入数值特征
num_cols = [
"fnlwgt",
"age",
"capital.gain",
"capital.loss",
"hours.per.week"]
target_mapping = {
">=50K": 0,
">50K": 1
}
df.loc[:, "income"] = df.income.map(target_mapping)
features = [f for f in df.columns if f not in ("kfold", "income") ]
for col in features:
if col not in num_cols:
# 将空值置为"NONE"
df.loc[:, col] = df[col].astype(str).fillna("NONE")

for col in features:
if col not in num_cols:
# 标签编码
lbl = preprocessing.LabelEncoder()
lbl.fit(df[col])
df.loc[:, col] = lbl.transform(df[col])

df_train = df[df.kfold == fold].reset_index(drop=True)
df_valid = df[df.kfold == fold].reset_index(drop=True)
x_train = df_train[features].values
x_valid = df_valid[features].values
# XGBoost模型
model = xgb.XGBClassifier(n_jobs=-1)

model.fit(x_train, df_train.income.values)
valid_preds = model.predict_proba(x_valid)[:, 1]
auc = metrics.roc_auc_score(df_valid.income.values, valid_preds)
print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
for fold_ in range(5):
run(fold_)

保留数字列，只是不对其进⾏标签编码。这样，我们的最终特征矩阵就由数字列（原样）和编码分类列组成了。任何基于树的算法都能轻松处理这种混合。

危险

在使⽤基于树的模型时，我们不需要对数据进⾏归⼀化处理。这非常重要！特别是在你使用线性模型（e.g.Logistic）的时候。

结果:

python lbl_xgb_num.py
Fold = 0, AUC = 0.9209790185449889
Fold = 1, AUC = 0.9247157449144706
Fold = 2, AUC = 0.9269329887598243
Fold = 3, AUC = 0.9119349082169275
Fold = 4, AUC = 0.9166408030141667

提取所有分类列，并创建所有⼆度组合:

# feature_engineering 函数
import itertools
import pandas as pd
import xgboost as xgb
from sklearn import metrics
from sklearn import preprocessing
def feature_engineering(df, cat_cols):
    # 生成两个特征的组合
    combi = list(itertools.combinations(cat_cols, 2))
    for c1, c2 in combi:
        df.loc[:, c1 + "_" + c2] = df[c1].astype(str) + "_" + df[c2].astype(str)
    return df
def run(fold):
    df = pd.read_csv("../input/adult_folds.csv")
    num_cols = [ "fnlwgt",
    "age",
    "capital.gain",
    "capital.loss",
    "hours.per.week"
    ]
    target_mapping = {
    ">=50K": 0,
    ">50K": 1
    }
    df.loc[:, "income"] = df.income.map(target_mapping)
    cat_cols = [c for c in df.columns if c not in num_cols and c not in ("kfold",
    "income")]
    # 特征工程
    df = feature_engineering(df, cat_cols)
    features = [f for f in df.columns if f not in ("kfold", "income")]
    for col in features:
        if col not in num_cols:
            df.loc[:, col] = df[col].astype(str).fillna("NONE")
    for col in features:
        if col not in num_cols:
            lbl = preprocessing.LabelEncoder()
            lbl.fit(df[col])
            df.loc[:, col] = lbl.transform(df[col])
    df_train = df[df.kfold == fold].reset_index(drop=True)
    df_valid = df[df.kfold == fold].reset_index(drop=True)
    x_train = df_train[features].values
    x_valid = df_valid[features].values
    model = xgb.XGBClassifier(n_jobs=-1)
    model.fit(x_train, df_train.income.values)
    valid_preds = model.predict_proba(x_valid)[:, 1]
    auc = metrics.roc_auc_score(df_valid.income.values, valid_preds)
    print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main":
    for fold_ in range(5):
        run(fold_)

但是这样的处理方法稍显稚嫩。我们应该仔细研究数据，做特征选择。否则会创建大量特征。

上述代码的得分是：

python lbl_xgb_num_feat.py
Fold = 0, AUC = 0.9211483465031423
Fold = 1, AUC = 0.9251499446866125
Fold = 2, AUC = 0.9262344766486692
Fold = 3, AUC = 0.9114264068794995
Fold = 4, AUC = 0.9177914453099201
提示

不改变任何超参数，只增加⼀些特征，我们也能提⾼⼀些折叠得分。

# 将 max_depth 增加到 7 
python lbl_xgb_num_feat.py
Fold = 0, AUC = 0.9286668430204137
Fold = 1, AUC = 0.9329340656165378
Fold = 2, AUC = 0.9319817543218744
Fold = 3, AUC = 0.919046187194538
Fold = 4, AUC = 0.9245692057162671

看起来我们取得了一点提升。

7. 目标编码​

从分类特征中进⾏特征⼯程的另⼀种⽅法是使⽤⽬标编码。

⽬标编码是⼀种将给定特征中的每个类别映射到其平均⽬标值的技术，但必须始终以交叉验证的⽅式进⾏。

这意味着⾸先要创建折叠，然后使⽤这些折叠为数据的不同列创建⽬标编码特征，⽅法与在折叠上拟合和预测模型的⽅法相同。因此，如果您创建了 5 个折叠，您就必须创建 5 次⽬标编码，这样最终，您就可以为每个折叠中的变量创建编码，⽽这些变量并⾮来⾃同⼀个折叠。然后在拟合模型时，必须再次使⽤相同的折叠。未⻅测试数据的⽬标编码可以来⾃全部训练数据，也可以是所有 5 个折叠的平均值。

import copy
import pandas as pd
from sklearn import metrics
from sklearn import preprocessing
import xgboost as xgb
def mean_target_encoding(data):
    df = copy.deepcopy(data)
    num_cols = [ "fnlwgt",
    "age",
    "capital.gain",
    "capital.loss",
    "hours.per.week"]
    target_mapping = {
    ">=50K": 0,
    ">50K": 1
    }
    df.loc[:, "income"] = df.income.map(target_mapping)
    features = [f for f in df.columns if f not in ("kfold", "income") and f not in
    num_cols]
    for col in features:
        if col not in num_cols:
            df.loc[:, col] = df[col].astype(str).fillna("NONE")

    for col in features:
        if col not in num_cols:
            # 标签编码
            lbl = preprocessing.LabelEncoder()
            lbl.fit(df[col])
            df.loc[:, col] = lbl.transform(df[col])

    encoded_dfs = []
    for fold in range(5):
        df_train = df[df.kfold == fold].reset_index(drop=True)
        df_valid = df[df.kfold == fold].reset_index(drop=True)
        for column in features:
            # 目标编码
            mapping_dict = dict(df_train.groupby(column)["income"].mean() )
            df_valid.loc[:, column + "_enc"] = df_valid[column].map(mapping_dict)
        encoded_dfs.append(df_valid)
      encoded_df = pd.concat(encoded_dfs, axis=0)
      return encoded_df

def run(df, fold):
    df_train = df[df.kfold == fold].reset_index(drop=True)
    df_valid = df[df.kfold == fold].reset_index(drop=True)
    features = [f for f in df.columns if f not in ("kfold", "income") ]
    x_train = df_train[features].values
    x_valid = df_valid[features].values
    model = xgb.XGBClassifier( n_jobs=-1, max_depth=7)
    model.fit(x_train, df_train.income.values)
    valid_preds = model.predict_proba(x_valid)[:, 1]
    auc = metrics.roc_auc_score(df_valid.income.values, valid_preds)
    print(f"Fold = {fold}, AUC = {auc}")
if __name__ == "__main__":
    df = pd.read_csv("../input/adult_folds.csv")
    df = mean_target_encoding(df)
    for fold_ in range(5):
        run(df, fold_)

此时保留了所有的特征，没有删除分类列，并在此基础上添加了⽬标编码特征。

结果：

Fold = 0, AUC = 0.9332240662017529
Fold = 1, AUC = 0.9363551625140347
Fold = 2, AUC = 0.9375013544556173
Fold = 3, AUC = 0.92237621307625
Fold = 4, AUC = 0.9292131180445478

使⽤⽬标编码时必须⾮常⼩⼼，因为它太容易出现过度拟合。我们使⽤⽬标编码时，最好使⽤某种平滑⽅法或在编码值中添加噪声。 Scikit-learn 的贡献库中有带平滑的⽬标编码。平滑会引⼊某种正则化，有助于避免模型过度拟合。

8. 实体嵌入​

在实体嵌⼊中，类别⽤向量表⽰。在⼆值化和独热编码⽅法中，我们都是⽤向量来表⽰类别的。

但是，如果类别非常大，就会产生巨大的矩阵(高维稀疏矩阵)，训练成本是庞大的. 所以，我们可以⽤带有浮点值的向量来表⽰它们。

实体嵌入这个技术指的是，每个分类特征都有⼀个嵌⼊层。因此，⼀列中的每个类别现在都可以映射到⼀个嵌⼊层（就像在⾃然语⾔处理中将单词映射到嵌⼊层⼀样）。然后，根据其维度重塑这些嵌⼊层，使其扁平化，然后将所有扁平化的输⼊嵌⼊层连接起来。然后添加⼀堆密集层和⼀个输出层，就⼤功告成了。

Image

提示

作者这个说法可能不够详细.

嵌入层的工作原理其实就是将离散转为连续，把“一片”变成“一条”，完成对数据的降维，几百万变几万，之后再用全连接层专进行分类或回归任务。

这个嵌入维度是靠经验公式确定的。比如min(ceil(ncategories/2),50)min(ceil(n_categories/2), 50)

相对于独热编码，实体嵌入可以自动学习潜在关系。

原理上是很像LoRA的，可以类比。

使⽤ TF/Keras 可以⾮常容易地做到这⼀点。

import os
import gc
import joblib
import pandas as pd
import numpy as np
from sklearn import metrics, preprocessing
from tensorflow.keras import layers
from tensorflow.keras import optimizers
from tensorflow.keras.models import Model, load_model
from tensorflow.keras import callbacks
from tensorflow.keras import backend as K
from tensorflow.keras import utils
def create_model(data, catcols):
    # 创建空的输入列表和输出列表，用于存储模型的输入和输出
    inputs = []
    outputs = []
    # 嵌入层定义
    # 遍历分类特征列表中的每个特征
    for c in catcols:
        # 计算特征中唯一值的数量
        num_unique_values = int(data[c].nunique())
        # 计算嵌入维度，最大不超过50
        embed_dim = int(min(np.ceil((num_unique_values) / 2), 50))
        # 创建模型的输入层，每个特征对应一个输入
        inp = layers.Input(shape=(1,))
        # 创建嵌入层，将分类特征映射到低维度的连续向量
        out = layers.Embedding(num_unique_values + 1, embed_dim, name=c)(inp)
        # 对嵌入层进行空间丢弃（Dropout）
        out = layers.SpatialDropout1D(0.3)(out)
        # 将嵌入层的形状重新调整为一维
        out = layers.Reshape(target_shape=(embed_dim,))(out)
        # 将输入和输出添加到对应的列表中
        inputs.append(inp)
        outputs.append(out)
    # 使用Concatenate层将所有的嵌入层输出连接在一起
    x = layers.Concatenate()(outputs)
    # 对连接后的数据进行批量归一化
    x = layers.BatchNormalization()(x)
    # 添加一个具有300个神经元的密集层，并使用ReLU激活函数
    x = layers.Dense(300, activation="relu")(x)
    # 对该层的输出进行Dropout
    x = layers.Dropout(0.3)(x)
    # 再次进行批量归一化
    x = layers.BatchNormalization()(x)
    # 添加另一个具有300个神经元的密集层，并使用ReLU激活函数
    x = layers.Dense(300, activation="relu")(x)
    # 对该层的输出进行Dropout
    x = layers.Dropout(0.3)(x)
    # 再次进行批量归一化
    x = layers.BatchNormalization()(x)
    # 输出层，具有2个神经元（用于二进制分类），并使用softmax激活函数
    y = layers.Dense(2, activation="softmax")(x)
    # 创建模型，将输入和输出传递给Model构造函数
    model = Model(inputs=inputs, outputs=y)
    # 编译模型，指定损失函数和优化器
    model.compile(loss='binary_crossentropy', optimizer='adam')
    # 返回创建的模型
    return model
def run(fold):
    df = pd.read_csv("../input/cat_train_folds.csv")
    features = [f for f in df.columns if f not in ("id", "target", "kfold") ]
    for col in features:
        df.loc[:, col] = df[col].astype(str).fillna("NONE")

    for feat in features:
        lbl_enc = preprocessing.LabelEncoder()
        df.loc[:, feat] = lbl_enc.fit_transform(df[feat].values)

    df_train = df[df.kfold == fold].reset_index(drop=True)
    df_valid = df[df.kfold == fold].reset_index(drop=True)
    model = create_model(df, features)
    xtrain = [df_train[features].values[:, k] for k in range(len(features))]
    xvalid = [df_valid[features].values[:, k] for k in range(len(features)) ]
    ytrain = df_train.target.values
    yvalid = df_valid.target.values
    ytrain_cat = utils.to_categorical(ytrain)
    yvalid_cat = utils.to_categorical(yvalid)
    model.fit(xtrain,
    ytrain_cat,
    validation_data=(xvalid, yvalid_cat),
    verbose=1,
    batch_size=1024,
    epochs=3
    )
    valid_preds = model.predict(xvalid)[:, 1]
    print(metrics.roc_auc_score(yvalid, valid_preds))
    K.clear_session()
if __name__ == "__main__":
    run(0)
    run(1)
    run(2)
    run(3)
    run(4)

这种⽅法效果最好，且还有改进空间，你⽆需担⼼特征⼯程，因为神经⽹络会⾃⾏处理。处理大量分类特征数据集时，绝对值得一试。当嵌⼊⼤⼩与唯⼀类别的数量相同时，我们就可以使⽤独热编码（one-hot-encoding）。

本文字数：0 字

预计阅读时间：0 分钟

有问题？请向我提出issue