ML.NET Cookbook：（17）如何在分类数据上训练模型？

Posted 2021-06-28 dotNET跨平台

一般来说，所有的ML.NET学习器都希望这些特征是一个浮点向量。因此，如果您的一些数据不是一个float，您需要将其转换为float。

如果我们的数据包含“分类”特征（比如“enum”），我们需要以某种方式对它们进行“特征化”。ML.NET提供了几种将分类数据转换为功能的方法：

• 独热编码

• 基于哈希的独热编码

• 二进制编码（将类别索引转换为位序列并使用位作为特征）

如果某些类别的基数非常高（有很多不同的值，但通常只有几个），那么独热编码可能是浪费的。我们可以使用基于计数的特征选择来减少我们编码的槽的数量。

与规范化一样，将分类特征化直接包含在ML.NET学习管道中是一种很好的做法：这样您就可以确保分类转换

• 只是在训练数据上“训练”，而不是在你的测试数据上，

• 正确应用于所有新传入的数据，而无需在预测时进行额外的预处理。

下面是成人普查数据集^[1]的分类处理示例：

Label Workclass education marital-status occupation relationship ethnicity sex native-country-region age fnlwgt education-num capital-gain capital-loss hours-per-week
0 Private 11th Never-married Machine-op-inspct Own-child Black Male United-States 25 226802 7 0 0 40
0 Private HS-grad Married-civ-spouse Farming-fishing Husband White Male United-States 38 89814 9 0 0 50
1 Local-gov Assoc-acdm Married-civ-spouse Protective-serv Husband White Male United-States 28 336951 12 0 0 40
1 Private Some-college Married-civ-spouse Machine-op-inspct Husband Black Male United-States 44 160323 10 7688 0 40

// 创建加载器：定义数据列以及它们在文本文件中的位置。
var loader = mlContext.Data.CreateTextLoader(new[] 
    {
        new TextLoader.Column("Label", DataKind.Boolean, 0),
        // 我们将把所有分类特征加载到一个大小为8的向量列中。
        new TextLoader.Column("CategoricalFeatures", DataKind.String, 1, 8),
        // 类似地，将所有数字特征加载到一个大小为6的向量中。
        new TextLoader.Column("NumericalFeatures", DataKind.Single, 9, 14),
        // 让我们单独加载“Workclass”列。
        new TextLoader.Column("Workclass", DataKind.String, 1)
    },
    hasHeader: true
);

// 加载数据。
var data = loader.Load(dataPath);

// 检查分类列的前10条记录以检查它们是否被正确读取。
var catColumns = data.GetColumn<string[]>(data.Schema["CategoricalFeatures"]).Take(10).ToArray();

// 建造多条可选的特征化管道。
var pipeline =
    // 将每个分类特征转换为独热编码。
    mlContext.Transforms.Categorical.OneHotEncoding("CategoricalOneHot", "CategoricalFeatures")
    // 将所有分类特征转换为索引，并构建一个“词袋”。
    .Append(mlContext.Transforms.Categorical.OneHotEncoding("CategoricalBag", "CategoricalFeatures", OneHotEncodingEstimator.OutputKind.Bag))
    // 对workclass列进行独热编码，然后删除列集中少于10个实例的所有类别。
    .Append(mlContext.Transforms.Categorical.OneHotEncoding("WorkclassOneHot", "Workclass"))
    .Append(mlContext.Transforms.FeatureSelection.SelectFeaturesBasedOnCount("WorkclassOneHotTrimmed", "WorkclassOneHot", count: 10));

// 让我们训练管道，然后将其应用于同一个数据上。
var transformedData = pipeline.Fit(data).Transform(data);

// 检查结果数据集的某些列。
var categoricalBags = transformedData.GetColumn<float[]>(transformedData.Schema["CategoricalBag"]).Take(10).ToArray();
var workclasses = transformedData.GetColumn<float[]>(transformedData.Schema["WorkclassOneHotTrimmed"]).Take(10).ToArray();

// 当然，如果我们想训练模型，我们需要合成一个包含所有特征的浮点向量。
// 我们可以这样做：

var fullLearningPipeline = pipeline
    // 连接3个分类管道中的2个，以及数字特征。
    .Append(mlContext.Transforms.Concatenate("Features", "NumericalFeatures", "CategoricalBag", "WorkclassOneHotTrimmed"))
    // 将数据缓存在内存中，以便下面的训练器能够访问训练样本，而无需从磁盘多次加载它们。
    .AppendCacheCheckpoint(mlContext)
    // 现在我们要训练了。我们选择了我们的FastTree训练器来完成这个分类任务。
    .Append(mlContext.BinaryClassification.Trainers.FastTree(numTrees: 50));

// 训练模型。
var model = fullLearningPipeline.Fit(data);

参考资料

[1]

成人普查数据集: https://github.com/dotnet/machinelearning/blob/main/test/data/adult.tiny.with-schema.txt