c# - ML.NET CategoricalOneHotVectorizer 是否也对测试数据进行编码？

Question

我不确定 ML.NET CategoricalOneHotVectorizer 是如何工作的，来自他们的示例代码，

var pipeline = new LearningPipeline
{
    // ... extra code ...
    new CategoricalOneHotVectorizer("VendorId", "RateCode", "PaymentType"),
    // ... extra code ...
    new FastTreeRegressor()
};

在我看来，一旦我们调用 model = pipeline.Train() 来训练模型，它只会对分类输入数据进行编码。因此，如果我的测试数据有一些不在输入中的值，它会弄乱预测结果吗？

通常在 Python 上，在使用 OneHotEncoder 对分类变量进行编码之前，我会在训练和测试数据上训练 OneHotEncoder。不确定如何使用 ML.NET 做到这一点

Answer 1

您不应使用您的测试数据来训练您的模型。那是一个错误。默认情况下，All one 热编码机器学习框架会将一个看不见的类别编码为全空值。ML.NET v0.7 将做同样的事情:

public static void TryOneHot()
{
  var data = Enumerable.Range(1, 4).Select(i => new { A = $"{i}", B = $"{i}" });
  var trainData = data.Take(3).ToArray();
  var testData = data.Skip(3).ToArray();
  using (var env = new ConsoleEnvironment(seed: 1, conc: 1))
  {
    var dataView = env.CreateDataView(trainData).AssertStatic(env, c => (A: c.Text.Scalar, B: c.Text.Scalar));
    var encoderPipe = dataView.MakeNewEstimator()
      .Append(row => (
        A_OH: row.A.OneHotEncoding(),
        B_OH: row.B.OneHotEncoding()
      ));
    var encoder = encoderPipe.Fit(dataView);

    var encodedTrainingData = encoder.AsDynamic.Transform(env.CreateDataView(trainData));
    var raw = encodedTrainingData.GetColumn<float[]>(env, "A_OH").ToArray();

    var encodedTestData = encoder.AsDynamic.Transform(env.CreateDataView(testData));
    var rawUnseen = encodedTestData.GetColumn<float[]>(env, "A_OH").ToArray();
  }
}

如果您检查 rawUnseen，您会发现它将被 [0, 0, 0] 编码，因为该类别从未见过。