具有分类输入的回归树或随机森林回归器答案

【问题标题】：Regression trees or Random Forest regressor with categorical inputs具有分类输入的回归树或随机森林回归器
【发布时间】：2013-12-04 09:37:42
【问题描述】：

我一直在尝试在回归树（或随机森林回归器）中使用分类输入，但 sklearn 不断返回错误并要求输入数字。

import sklearn as sk
MODEL = sk.ensemble.RandomForestRegressor(n_estimators=100)
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works

MODEL = sk.tree.DecisionTreeRegressor()
MODEL.fit([('a',1,2),('b',2,3),('a',3,2),('b',1,3)], [1,2.5,3,4]) # does not work
MODEL.fit([(1,1,2),(2,2,3),(1,3,2),(2,1,3)], [1,2.5,3,4]) #works

据我了解，这些方法中的分类输入应该是可能的，无需任何转换（例如 WOE 替换）。

还有其他人遇到过这种困难吗？

谢谢！

【问题讨论】：

标签： python regression scikit-learn

【解决方案1】：

scikit-learn 没有用于分类变量（也就是 R 中的因子）的专用表示，一种可能的解决方案是使用 LabelEncoder 将字符串编码为 int：

import numpy as np
from sklearn.preprocessing import LabelEncoder  
from sklearn.ensemble import RandomForestRegressor

X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])

# transform 1st column to numbers
X[:, 0] = LabelEncoder().fit_transform(X[:,0]) 

regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

输出：

[[ 0.  1.  2.]
 [ 1.  2.  3.]
 [ 0.  3.  2.]
 [ 2.  1.  3.]]
[ 1.61333333  2.13666667  2.53333333  2.95333333]

但请记住，如果 a 和 b 是独立的类别并且它仅适用于基于树的估计器，则这是一个小技巧。为什么？因为b 并不比a 大。正确的方法是在LabelEncoder 或pd.get_dummies 之后使用OneHotEncoder，为X[:, 0] 生成两个单独的单热编码列。

import numpy as np
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.ensemble import RandomForestRegressor

X = np.asarray([('a',1,2),('b',2,3),('a',3,2),('c',1,3)]) 
y = np.asarray([1,2.5,3,4])

# transform 1st column to numbers
import pandas as pd
X_0 = pd.get_dummies(X[:, 0]).values
X = np.column_stack([X_0, X[:, 1:]])

regressor = RandomForestRegressor(n_estimators=150, min_samples_split=2)
regressor.fit(X, y)
print(X)
print(regressor.predict(X))

【讨论】：

谢谢。我不认为它可以解决问题。 “数字标签”创建了一个线性进展的假设，这很可能与您试图预测的内容不相符。想象一个决策树节点，在决定下一个截止分割时，例如使用 '=2' 与“if in ('a','c')”的意义不同。
我看错了你的问题。我刚刚看到您想将所有内容都视为分类。我将相应地更新示例...
这很有帮助，我已经尝试过了（我应该说代码不太优雅），但问题是这使得变量中包含的信息不太可能在回归树中被选择。我猜这是因为预测能力现在分散在多个变量中。尽管如此，您的代码对于如何更有效地执行此操作非常有帮助。非常感谢。

【解决方案2】：

您必须在 python 中手动编写虚拟代码。我建议使用pandas.get_dummies() 进行一种热编码。对于 Boosted 树，我已经成功使用 factorize() 来实现 Ordinal Encoding。

这种东西还有一整套here。

有关更详细的解释，请查看this Data Science Stack Exchange 帖子。

【讨论】：