logit 和 sklearn 管道的一种热编码

Posted 2023-03-12

【中文标题】logit 和 sklearn 管道的一种热编码

【英文标题】：One hot encoding for logit and the sklearn pipeline

【发布时间】：2021-07-12 06:41:19

【问题描述】：

我正在尝试使用 Python 中的 Dalex 包来可视化二进制 logit 模型的某些特征。

我从示例书中复制了一段代码here （整个第五个代码单元）但现在我不太确定应该如何解释结果......

在我使用statsmodels 创建的基本 logit 模型中，我为每个类别手动选择了一个参考级别变量，以避免多重共线性（这意味着模型的所有结果都根据参考水平）。

但是当我使用上面链接中的一段代码（也复制到这篇文章下面）时，它首先在sklearn 中创建了一些管道对象，one-hot 对分类变量进行编码，然后将管道对象拟合到数据并在 Dalex 解释器中用作要解释的模型。

问题是当我在 Dalex 中使用像 model_profile() 这样的函数时，它应该输出一个图表，显示变量对预测的其他条件影响，我不知道如何解释结果，因为似乎一个分类变量中的所有值都包含在图表中。

例如，模型显示了“性别”分类变量对男性和女性的平均预测的影响......

这也显示了一条名为“平均预测”的水平线，但“平均预测”是什么？是以男性为参考水平，还是以女性为标准计算？

我对结果的含义感到非常困惑......有人可以澄清一下吗？我正在尝试使用的函数model_profile() 在笔记本中也有说明。谢谢！

我复制的一段代码：

    numerical_features = ['age', 'fare', 'sibsp', 'parch']
    numerical_transformer = Pipeline(
        steps=[
            ('imputer', SimpleImputer(strategy='median')),
            ('scaler', StandardScaler())
        ]
    )
    
    categorical_features = ['gender', 'class', 'embarked']
    categorical_transformer = Pipeline(
        steps=[
            ('imputer', SimpleImputer(strategy='constant', fill_value='missing')),
            ('onehot', OneHotEncoder(handle_unknown='ignore'))
        ]
    )
    
    preprocessor = ColumnTransformer(
        transformers=[
            ('num', numerical_transformer, numerical_features),
            ('cat', categorical_transformer, categorical_features)
        ]
    )
    
    classifier = MLPClassifier(hidden_layer_sizes=(150,100,50), max_iter=500, random_state=0)
    
    clf = Pipeline(steps=[('preprocessor', preprocessor),
                          ('classifier', classifier)])
    clf.fit(X, y)
    exp = dx.Explainer(clf, X, y)

【参考方案1】：

为什么会这样？

这是因为默认情况下，sklearn 的OneHotEncoder 会对数据中的每个类别进行一次热转换。然而，对于像 logit 这样的线性模型，通常最好将其中一个类别排除在外，以避免多重共线性，并使您的结果可以相对于参考点进行解释。在这种情况下，您需要更改编码器的默认设置。

示例

您可以通过设置drop="first" 来实现这一点，它会删除一个热编码过程的第一个类别。下面的示例说明了这将如何在一个简单的示例中起作用。在这里，“女性”类别从一个热门编码中删除，只有“男性”类别被编码，这将返回您期望的结果。请注意，这也适用于非二进制特征。

from sklearn.preprocessing import OneHotEncoder
X = pd.DataFrame("gender":["male","female","female","male"])
OHE = OneHotEncoder(drop="first")
OHE.fit_transform(X).toarray()
#[[1.],
# [0.],
# [0.],
# [1.]]
OHE.get_feature_names()
#['x0_male']

你需要做什么

因此，您需要在代码中更改的只是管道定义中的以下行：

'onehot', OneHotEncoder(drop='first', handle_unknown='ignore')

【讨论】：

谢谢你，但恐怕我解释得不好。现在我知道如何从变量中省略一个类别，以免将其包含在模型中。但是，对于 Dalex，我试图了解分类变量（其所有级别）如何影响因变量。看看我在原始问题中发布的笔记本/链接。他们使用了性别，并计算了男性和女性对预测的影响。这怎么可能？如果在模型中使用这两个类别进行预测，平均预测值是如何计算的？