python - 如何获得 catboost 可视化以显示类别

Question

考虑以下数据:

import pandas as pd
y_train = pd.DataFrame({0: {14194: 'Fake', 13891: 'Fake', 13247: 'Fake', 11236: 'Fake', 2716: 'Real', 2705: 'Real', 16133: 'Fake', 7652: 'Real', 7725: 'Real', 16183: 'Fake'}})

X_train = pd.DataFrame({'one': {14194: 'e',
  13891: 'b',
  13247: 'v',
  11236: 't',
  2716: 'e',
  2705: 'e',
  16133: 'h',
  7652: 's',
  7725: 's',
  16183: 's'},
 'two': {14194: 'a',
  13891: 'a',
  13247: 'e',
  11236: 'n',
  2716: 'c',
  2705: 'a',
  16133: 'n',
  7652: 'e',
  7725: 'h',
  16183: 'e'},
 'three': {14194: 's',
  13891: 'l',
  13247: 'n',
  11236: 'c',
  2716: 'h',
  2705: 'r',
  16133: 'i',
  7652: 'r',
  7725: 'e',
  16183: 's'},
 'four': {14194: 'd',
  13891: 'e',
  13247: 'r',
  11236: 'g',
  2716: 'o',
  2705: 'r',
  16133: 'p',
  7652: 'v',
  7725: 'r',
  16183: 'i'},
 'five': {14194: 'f',
  13891: 'b',
  13247: 'o',
  11236: 'b',
  2716: 'i',
  2705: 'i',
  16133: 'i',
  7652: 'i',
  7725: 'b',
  16183: 'i'},
 'six': {14194: 'p',
  13891: 's',
  13247: 'l',
  11236: 'l',
  2716: 'n',
  2705: 'n',
  16133: 'n',
  7652: 'l',
  7725: 'e',
  16183: 'u'},
 'seven': {14194: 's',
  13891: 's',
  13247: 's',
  11236: 'e',
  2716: 'g',
  2705: 'g',
  16133: 's',
  7652: 'e',
  7725: 't',
  16183: 'r'}})

以及以下代码:

from catboost import CatBoostClassifier
from catboost import Pool
cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0).fit(pool)
model.plot_tree(
tree_idx=1,
pool=pool # "pool" is required parameter for trees with one hot features
)

我得到以下信息:

但我不明白 {five} pr_num0 tb0 type0, value>8 是什么意思。我希望它看起来像手册中的泰坦尼克号示例，它是:

import catboost
from catboost import CatBoostClassifier, Pool

from catboost.datasets import titanic
titanic_df = titanic()

X = titanic_df[0].drop('Survived',axis=1)
y = titanic_df[0].Survived

is_cat = (X.dtypes != float)
for feature, feat_is_cat in is_cat.to_dict().items():
    if feat_is_cat:
        X[feature].fillna("NAN", inplace=True)

cat_features_index = np.where(is_cat)[0]
pool = Pool(X, y, cat_features=cat_features_index, feature_names=list(X.columns))

model = CatBoostClassifier(
    max_depth=2, verbose=False, max_ctr_complexity=1, iterations=2).fit(pool)

model.plot_tree(
    tree_idx=0,
    pool=pool
)

这给出:

我怎样才能得到等效的 Sex, value = Female以我为例？例如， One, value = b .

Answer 1

TLDR； 这不是一个真正的可视化问题，而是更多关于如何在 Catboost 中完成特征分割的问题。
Catboost 根据一个名为 one_hot_max_size 的参数来决定哪些功能是 one-hot，哪些是 ctr。 .如果特征中的类数<= one_hot_max_size那么它将被视为一个热点。默认情况下它设置为 2。所以只有二元特征(0,1 或男性，女性)被认为是 one-hot，其他(例如 PClass -> 1,2,3)被视为 ctr。将其设置得足够高将允许您强制 catboost 将您的列编码为 one-hot。{five} pr_num0 tb0 type0, value>8基本上是一个标签，一个 ctr 分割的值。没有可用的文档，但在检查 github 存储库后，似乎标签是使用多哈希生成的。
更多详情如下。

如何选择特征分割？
A feature-split分 3 个步骤为叶子选择对:

一个列表由可能的候选者(“特征分割对”)组成，作为分割分配给一个叶子。

为每个对象计算许多惩罚函数(条件是从步骤 1 中获得的所有候选对象都已分配给叶子)。

选择惩罚最小的 split 。

特征分割的类型
共有三种类型的拆分: FloatFeature , OneHotFeature和 OnlineCtr .这些基于对特征进行的编码。

float 特征: float 特征分割采用 float 类型特征并计算分割值(边界)。 float 特征在可视化中表示为特征索引和边界值( check this ):

9, border<257.23    #feature index, border value

OneHotFeature :在one-hot特性中，每个类都可以用max of n possible values (0 or 1)表示. n由一个名为 one_hot_max_size 的参数决定默认设置为 2。注意在泰坦尼克号数据集案例中，Sex只有 2 个可能的值，Male或 Female .如果您设置 one_hot_max_size=4然后 catboost 使用一个 hot 来编码具有多达 4 个独特类别的特征(例如，泰坦尼克号中的 Pclass 有 3 个独特类别)。 one-hot 特征用特征名称表示，其值:

Sex, value=Female    #feature name, value

OnlineCtr : ctr 是您可以在 catboost 模型中看到的第三种类型的拆分。不会为与 one-hot 编码 ( link ) 一起使用的功能计算 Ctr。如果要素中可能的类数超过 one_hot_max_size 设置的限制然后 catboost 自动使用 ctr 对特征进行编码，因此拆分类型是 OnlineCtr。它用特征名称、一些代表唯一类的虚拟标记和一个值来表示:

{five} pr_num1 tb0 type0, value>9  #Label, value

##Inspecting github, the label seems to be from a multihash
##The multihash seems to be made from (CatFeatureIdx, CtrIdx, TargetBorderIdx, PriorIdx)
##https://github.com/catboost/catboost/blob/master/catboost/libs/data/ctrs.h

分析手头的数据集
让我们首先看看每个特征中唯一类的数量。

from catboost import CatBoostClassifier, Pool
import pandas as pd

X_train.describe().loc['unique']

one      6
two      5
three    8
four     8
five     4
six      6
seven    5
Name: unique, dtype: object

如您所见，唯一类的最小数量为 4(在称为“5”的特征中)，最大数量为 8。让我们设置 one_hot_max_size = 4 .

cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0, one_hot_max_size=4).fit(pool)

model.plot_tree(tree_idx=1,pool=pool)

功能“五”现在是 OneHotFeature并导致 five, value=i 的拆分描述.然而，特征“一”仍然是 OnlineCtr .
现在让我们设置 one_hot_max_size = 8 ，这是最大可能的唯一类。这将确保每个特征都是 OneHotFeature而不是 OnlineCtr

cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0, one_hot_max_size=8).fit(pool)

model.plot_tree(tree_idx=1,pool=pool)

希望这能澄清您关于原因的问题 Sex与您正在使用的功能相比，来自泰坦尼克号的显示方式不同。
有关此检查的更多阅读这些链接 -

https://colab.research.google.com/github/catboost/tutorials/blob/master/model_analysis/model_export_as_json_tutorial.ipynb

https://catboost.ai/docs/features/categorical-features.html

https://catboost.ai/docs/concepts/algorithm-main-stages_cat-to-numberic.html#algorithm-main-stages_cat-to-numberic

https://github.com/catboost/tutorials/blob/master/model_analysis/visualize_decision_trees_tutorial.ipynb