web-dev-qa-db-ja.com

sklearn GradientBoostingClassifierでカテゴリ変数を処理する方法は？

カテゴリ変数を使用して GradientBoostingClassifier でモデルをトレーニングしようとしています。

以下は、カテゴリ変数をGradientBoostingClassifierに入力しようとするための基本的なコードサンプルです。

from sklearn import datasets
from sklearn.ensemble import GradientBoostingClassifier
import pandas

iris = datasets.load_iris()
# Use only data for 2 classes.
X = iris.data[(iris.target==0) | (iris.target==1)]
Y = iris.target[(iris.target==0) | (iris.target==1)]

# Class 0 has indices 0-49. Class 1 has indices 50-99.
# Divide data into 80% training, 20% testing.
train_indices = list(range(40)) + list(range(50,90))
test_indices = list(range(40,50)) + list(range(90,100))
X_train = X[train_indices]
X_test = X[test_indices]
y_train = Y[train_indices]
y_test = Y[test_indices]

X_train = pandas.DataFrame(X_train)

# Insert fake categorical variable. 
# Just for testing in GradientBoostingClassifier.
X_train[0] = ['a']*40 + ['b']*40

# Model.
clf = GradientBoostingClassifier(learning_rate=0.01,max_depth=8,n_estimators=50).fit(X_train, y_train)

次のエラーが表示されます。

ValueError: could not convert string to float: 'b'

私が収集したものから、GradientBoostingClassifierがモデルを構築する前に、カテゴリ変数の One Hot Encoding が必要であるように思われます。

GradientBoostingClassifierは、1つのホットエンコーディングを行うことなく、カテゴリ変数を使用してモデルを構築できますか？

R gbmパッケージは、上記のサンプルデータを処理できます。同等の機能を備えたPythonライブラリを探しています。

pythonmachine-learningscikit-learndecision-treeensemble-learning
10
user1045085

pandas.get_dummies または statsmodels.tools.tools.categorical を使用して、カテゴリ変数をダミー行列に変換できます。次に、ダミー行列をマージしてトレーニングデータに戻すことができます。

以下は、上記の手順を実行した質問のコード例です。

from sklearn import datasets
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import roc_curve,auc
from statsmodels.tools import categorical
import numpy as np

iris = datasets.load_iris()
# Use only data for 2 classes.
X = iris.data[(iris.target==0) | (iris.target==1)]
Y = iris.target[(iris.target==0) | (iris.target==1)]

# Class 0 has indices 0-49. Class 1 has indices 50-99.
# Divide data into 80% training, 20% testing.
train_indices = list(range(40)) + list(range(50,90))
test_indices = list(range(40,50)) + list(range(90,100))
X_train = X[train_indices]
X_test = X[test_indices]
y_train = Y[train_indices]
y_test = Y[test_indices]


###########################################################################
###### Convert categorical variable to matrix and merge back with training
###### data.

# Fake categorical variable.
catVar = np.array(['a']*40 + ['b']*40)
catVar = categorical(catVar, drop=True)
X_train = np.concatenate((X_train, catVar), axis = 1)

catVar = np.array(['a']*10 + ['b']*10)
catVar = categorical(catVar, drop=True)
X_test = np.concatenate((X_test, catVar), axis = 1)
###########################################################################

# Model and test.
clf = GradientBoostingClassifier(learning_rate=0.01,max_depth=8,n_estimators=50).fit(X_train, y_train)

prob = clf.predict_proba(X_test)[:,1]   # Only look at P(y==1).

fpr, tpr, thresholds = roc_curve(y_test, prob)
roc_auc_prob = auc(fpr, tpr)

print(prob)
print(y_test)
print(roc_auc_prob)

pandas Dataframeをscikit-learn推定量に使用しないように指示してくれたAndreasMullerに感謝します。

11
user1045085