Scikit-Learn One-hot-encode 在训练/测试拆分之前或之后

Posted 2023-03-12

【中文标题】Scikit-Learn One-hot-encode 在训练/测试拆分之前或之后

【英文标题】：Scikit-Learn One-hot-encode before or after train/test split

【发布时间】：2015-10-09 00:20:42

【问题描述】：

我正在研究使用 scikit-learn 构建模型的两个场景，但我无法弄清楚为什么其中一个会返回与另一个完全不同的结果。这两种情况（据我所知）唯一不同的是，在一种情况下，我一次对分类变量进行一次热编码（在整个数据上），然后在训练和测试之间进行拆分。在第二种情况下，我在训练和测试之间进行拆分，然后根据训练数据对两组进行一次热编码。

后一种情况在技术上更适合判断过程的泛化错误，但这种情况返回的归一化 gini 与第一种情况相比有很大不同（而且很糟糕 - 基本上没有模型）。我知道第一个案例的 gini (~0.33) 符合基于此数据构建的模型。

为什么第二种情况会返回如此不同的基尼系数？仅供参考，数据集包含数字和分类变量的混合。

方法 1（one-hot 编码整个数据然后拆分） 这将返回：Validation Sample Score: 0.3454355044 (normalized gini).

from sklearn.cross_validation import StratifiedKFold, KFold, ShuffleSplit,train_test_split, PredefinedSplit
from sklearn.ensemble import RandomForestRegressor , ExtraTreesRegressor, GradientBoostingRegressor
from sklearn.linear_model import LogisticRegression
import numpy as np
import pandas as pd
from sklearn.feature_extraction import DictVectorizer as DV
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.grid_search import GridSearchCV,RandomizedSearchCV
from sklearn.ensemble import RandomForestRegressor, ExtraTreesRegressor
from scipy.stats import randint, uniform
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_boston

def gini(solution, submission):
    df = zip(solution, submission, range(len(solution)))
    df = sorted(df, key=lambda x: (x[1],-x[2]), reverse=True)
    rand = [float(i+1)/float(len(df)) for i in range(len(df))]
    totalPos = float(sum([x[0] for x in df]))
    cumPosFound = [df[0][0]]
    for i in range(1,len(df)):
        cumPosFound.append(cumPosFound[len(cumPosFound)-1] + df[i][0])
    Lorentz = [float(x)/totalPos for x in cumPosFound]
    Gini = [Lorentz[i]-rand[i] for i in range(len(df))]
    return sum(Gini)

def normalized_gini(solution, submission):
    normalized_gini = gini(solution, submission)/gini(solution, solution)
    return normalized_gini

# Normalized Gini Scorer
gini_scorer = metrics.make_scorer(normalized_gini, greater_is_better = True)



if __name__ == '__main__':

    dat=pd.read_table('/home/jma/Desktop/Data/Kaggle/liberty/train.csv',sep=",")
    y=dat[['Hazard']].values.ravel()
    dat=dat.drop(['Hazard','Id'],axis=1)


    folds=train_test_split(range(len(y)),test_size=0.30, random_state=15) #30% test

    #First one hot and make a pandas df
    dat_dict=dat.T.to_dict().values()
    vectorizer = DV( sparse = False )
    vectorizer.fit( dat_dict )
    dat= vectorizer.transform( dat_dict )
    dat=pd.DataFrame(dat)


    train_X=dat.iloc[folds[0],:]
    train_y=y[folds[0]]
    test_X=dat.iloc[folds[1],:]
    test_y=y[folds[1]]


    rf=RandomForestRegressor(n_estimators=1000, n_jobs=1, random_state=15)
    rf.fit(train_X,train_y)
    y_submission=rf.predict(test_X)
    print("Validation Sample Score: :.10f (normalized gini).".format(normalized_gini(test_y,y_submission)))

方法 2（先拆分，然后单热编码） 返回：Validation Sample Score: 0.0055124452 (normalized gini).

from sklearn.cross_validation import StratifiedKFold, KFold, ShuffleSplit,train_test_split, PredefinedSplit
from sklearn.ensemble import RandomForestRegressor , ExtraTreesRegressor, GradientBoostingRegressor
from sklearn.linear_model import LogisticRegression
import numpy as np
import pandas as pd
from sklearn.feature_extraction import DictVectorizer as DV
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.grid_search import GridSearchCV,RandomizedSearchCV
from sklearn.ensemble import RandomForestRegressor, ExtraTreesRegressor
from scipy.stats import randint, uniform
from sklearn.metrics import mean_squared_error
from sklearn.datasets import load_boston

def gini(solution, submission):
    df = zip(solution, submission, range(len(solution)))
    df = sorted(df, key=lambda x: (x[1],-x[2]), reverse=True)
    rand = [float(i+1)/float(len(df)) for i in range(len(df))]
    totalPos = float(sum([x[0] for x in df]))
    cumPosFound = [df[0][0]]
    for i in range(1,len(df)):
        cumPosFound.append(cumPosFound[len(cumPosFound)-1] + df[i][0])
    Lorentz = [float(x)/totalPos for x in cumPosFound]
    Gini = [Lorentz[i]-rand[i] for i in range(len(df))]
    return sum(Gini)

def normalized_gini(solution, submission):
    normalized_gini = gini(solution, submission)/gini(solution, solution)
    return normalized_gini

# Normalized Gini Scorer
gini_scorer = metrics.make_scorer(normalized_gini, greater_is_better = True)



if __name__ == '__main__':

    dat=pd.read_table('/home/jma/Desktop/Data/Kaggle/liberty/train.csv',sep=",")
    y=dat[['Hazard']].values.ravel()
    dat=dat.drop(['Hazard','Id'],axis=1)


    folds=train_test_split(range(len(y)),test_size=0.3, random_state=15) #30% test

    #first split
    train_X=dat.iloc[folds[0],:]
    train_y=y[folds[0]]
    test_X=dat.iloc[folds[1],:]
    test_y=y[folds[1]]

    #One hot encode the training X and transform the test X
    dat_dict=train_X.T.to_dict().values()
    vectorizer = DV( sparse = False )
    vectorizer.fit( dat_dict )
    train_X= vectorizer.transform( dat_dict )
    train_X=pd.DataFrame(train_X)

    dat_dict=test_X.T.to_dict().values()
    test_X= vectorizer.transform( dat_dict )
    test_X=pd.DataFrame(test_X)


    rf=RandomForestRegressor(n_estimators=1000, n_jobs=1, random_state=15)
    rf.fit(train_X,train_y)
    y_submission=rf.predict(test_X)
    print("Validation Sample Score: :.10f (normalized gini).".format(normalized_gini(test_y,y_submission)))

【参考方案1】：

虽然之前的 cmets 正确地建议最好首先映射整个特征空间，但在您的情况下，训练和测试都包含所有列中的所有特征值。

如果你比较两个版本之间的vectorizer.vocabulary_，它们是完全一样的，所以映射上没有区别。因此，它不会导致问题。

方法 2 失败的原因是您的dat_dict 在执行此命令时按原始索引重新排序。

dat_dict=train_X.T.to_dict().values()

换句话说，train_X 在这行代码中有一个改组索引。当您将其转换为dict 时，dict 顺序将重新排序为原始索引的数字顺序。这会导致您的训练和测试数据与y 完全不相关。

方法 1 没有这个问题，因为你在映射之后打乱了数据。

您可以通过在方法 2 中分配 dat_dict 时添加 .reset_index() 来解决此问题，例如，

dat_dict=train_X.reset_index(drop=True).T.to_dict().values()

这可确保在转换为 dict 时保留数据顺序。

当我添加那段代码时，我得到以下结果： - 方法 1：验证样本得分：0.3454355044（归一化 gini） - 方法2：验证样本得分：0.3438430991（归一化gini）

【讨论】：

有人向我指出reset_index 应该包含drop=True 以便字典不包含索引信息。我已经更新了代码以反映这一点，尽管它不会改变结果。如果没有drop=True，dat_dict 确实包含索引信息，但它不会映射到任何内容，因为train_X 中没有名为index 的列。

【参考方案2】：

我无法让你的代码运行，但我的猜测是在测试数据集中也是如此

您没有看到某些分类变量的所有级别，因此如果您仅根据这些数据计算虚拟变量，您实际上会有不同的列。 否则，也许您有相同的列，但它们的顺序不同？

【讨论】：

这个。在验证集或测试集上进行的任何编码必须与在训练集上进行的编码相同。

字典向量化器不只是利用训练集来定义虚拟变量，然后将这些“规则”应用于测试集？