- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
对于字符串特征,当顺序无关紧要时,使用 dummies 或 oneHotEncoder 哪个更好?
例如,在此 pandas 数据框中:
df_with_cat = pd.DataFrame({'A': ['ios', 'android', 'web', 'NaN', 'ios','ios', 'NaN', 'android'], 'B' : [4, 4, 'NaN', 2, 'NaN', 3, 3, 'NaN']})
df_with_cat.head()
A B
---------------
0 ios 4
1 android 4
2 web NaN
3 NaN 2
4 ios NaN
5 ios 3
6 NaN 3
7 android NaN
我知道现在为了处理它们(估算缺失值等)我必须对它们进行编码,如下所示:
from sklearn.preprocessing import LabelEncoder
df_with_cat_orig = df_with_cat.copy()
la_encoder = LabelEncoder()
df_with_cat['A'] = la_encoder.fit_transform(df_with_cat.A)
输出:
df_with_cat.head(10)
A B
-----------
0 2 4
1 1 4
2 3 NaN
3 0 2
4 2 NaN
5 2 3
6 0 3
7 1 NaN
但现在似乎有一些顺序 0-3 但事实并非如此... 'ios' ->2
不一定大于 'android' -> 1
最佳答案
分类特征与数值特征不同,分类特征是一组离散值,而数值特征形成连续序列。例如对于特征“动物”,如果 1 -> 猫,2 -> 狗,你不能有 1.5,你要么是 1,要么是 2。在这个设置中,狗不一定大于猫 - 一和二只是“真实”特征的编码。
另一方面,对于特征“价格”,您有很大范围的可能值,并且对于哪些值大于其他值有明确的定义。
在处理分类特征方面,您说得对——我们对它们进行编码。例如 sklearn.preprocessing 有 OrdinalEncoder
它只是将分类特征(主要是“male”、“female”等字符串)转换为整数。
现在我不太熟悉 sklearn 以及它需要什么类型的编码,但我觉得我应该讨论一些更“高级”的方法来编码分类特征。根据您使用的机器学习模型,这些可能适用也可能不适用。就我个人而言,我主要将它们与神经网络一起使用。
更简单的是 one-hot-encoding,它类似于默认将每个类别编码为整数。除了这次为了解决模型将一个类别视为大于另一个类别的问题之外,它使用了一个由 1 和 0 组成的数组。即“猫”-> 0-> [1, 0, 0],“狗”-> 1-> [0, 1, 0],“鸟”-> 2 -> [0, 0, 1]。本质上,每个类别都被编码为一个整数索引,并且您的结果是一个除该索引处的 1 之外全部为零的数组。
我们编码的另一种方法是使用嵌入。它与 one-hot 编码非常相似,因为您将整数索引(对于类别)转换为 n 维向量。然而,它节省了空间,因为向量的大小可以小于类别的数量。这通常用于处理语义信息的神经网络。每个单词作为整数索引传递到模型中,但嵌入层将每个索引转换为 n 维向量。当您训练模型时,嵌入层会越来越好地表示每个类别。
关于python-3.x - 在机器学习中,编码非分层分类特征的最佳方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54614098/
设置 我希望能够定义一个特征,使得任何实现该特征的结构不仅必须实现函数,而且还必须为某些常量指定值。所以也许是这样的: trait MyTrait { const MY_CONST: u8;
在我的 Web 应用程序中,授权用户至少有 4 个“方面”:http session 相关数据、持久数据、facebook 数据、运行时业务数据。 我决定使用案例类组合而不是特征至少有两个原因: 性状
我正在尝试使用以下代码从类中获取完整数据成员的列表: import std.stdio; import std.traits; class D { static string[] integr
我正在尝试实现 From对于我的一种类型。它应该消耗任意长度的行(仅在运行时已知)并从行中获取数据。编译器提示 &[&str; 2]不是 &[&str] ,即它不能将固定大小的切片转换为任意长度的切片
有人可以请你这么好心,并指出一种提取拟合树中使用的列/特征的方法,使用如下代码: library(dplyr) library(caret) library(rpart) df % dplyr
假设我定义了一个 Group所有组操作的特征。是否可以创建一个包装器AGroup超过 Group无需手动派生所有操作? 基本上,我想要这个: #[derive (Copy, Debug, Clone,
最近浏览了Markus Stocker的博客他很好地解释了如何在使用 observation 时表示传感器观察结果。 SSN 的模块本体论。我完全理解他的解释,但我发现有一件事多余地代表了一个的两个特
我有以下情况/代码; trait Model { def myField: String } case class MyModel(myField: String) extends Model
我想让一个案例类扩展一个特征 以下是我的要求: 我需要为 child 使用案例类。这是一个硬性要求,因为 scopt ( https://github.com/scopt/scopt ) parent
最近浏览了Markus Stocker的博客他很好地解释了如何在使用 observation 时表示传感器观察结果。 SSN 的模块本体论。我完全理解他的解释,但我发现有一件事多余地代表了一个的两个特
我有以下情况/代码; trait Model { def myField: String } case class MyModel(myField: String) extends Model
不确定标题是否完全有意义,对此感到抱歉。我是机器学习新手,正在使用 Scikit 和决策树。 这就是我想做的;我想获取所有输入并包含一个独特的功能,即客户端 ID。现在,客户端 ID 是唯一的,无法以
我想读取具有 Eigen 的 MNIST 数据集,每个文件都由一个矩阵表示。我希望在运行时确定矩阵大小,因为训练集和测试集的大小不同。 Map> MNIST_dataset((uchar*)*_dat
在 MATLAB 中,我可以选择一个分散的子矩阵,例如: A = [1 ,2 ,3;4,5,6;7,8,9] A([1,3],[1,3]) = [1,3;7,9] 有没有用 Eigen 做到这一点的聪
我在执行 Into 时遇到问题Rust 中通用结构的特征。下面是我正在尝试做的简化版本: struct Wrapper { value: T } impl Into for Wrapper {
我有这段 matlab 代码,我想用 Eigen 编写: [V_K,D_K] = eig(K); d_k = diag(D_K); ind_k = find(d_k > 1e-8); d_k(ind_
我正在使用 Eigen C++ 矩阵库,我想获取对矩阵列的引用。文档说要使用 matrix_object.col(index),但这似乎返回了一个表示列的对象,而不是简单地引用原始矩阵对象中的列。我担
在乘以很多旋转矩阵之后,由于舍入问题(去正交化),最终结果可能不再是有效的旋转矩阵 重新正交化的一种方法是遵循以下步骤: 将旋转矩阵转换为轴角表示法 ( link ) 将轴角转换回旋转矩阵 ( lin
定义可由命名空间中的多个类使用的常量的最佳方法是什么?我试图避免太多的继承,所以扩展基类不是一个理想的解决方案,我正在努力寻找一个使用特征的好的解决方案。这在 PHP 5.4 中是可行的还是应该采用不
定义可由命名空间中的多个类使用的常量的最佳方法是什么?我试图避免太多的继承,所以扩展基类不是一个理想的解决方案,我正在努力寻找一个使用特征的好的解决方案。这在 PHP 5.4 中是可行的还是应该采用不
我是一名优秀的程序员,十分优秀!