如何在python中的sklearn中标记RandomForestRegressor中的特殊情况

Posted 2023-03-12

【中文标题】如何在python中的sklearn中标记RandomForestRegressor中的特殊情况

【英文标题】：How to label special cases in RandomForestRegressor in sklearn in python

【发布时间】：2019-07-17 20:36:06

【问题描述】：

我的数据集中的每个用户都有一组数字特征（f1、f2、f3、f4、f5），如下所示。

       f1   f2  f3  f4  f5
user1  0.1  1.1  0 1.7  1
user2  1.1  0.3  1 1.3  3
user3  0.8  0.3  0 1.1  2
user4  1.5  1.2  1 0.8  3
user5  1.6  1.3  3 0.3  0

我的目标输出是一个优先的用户列表。即如下例所示。

       f1   f2  f3  f4  f5  target_priority
user1  0.1  1.1  0 1.7  1       2
user2  1.1  0.3  1 1.3  3       1
user3  0.8  0.3  0 1.1  2       5
user4  1.5  1.2  1 0.8  3       3
user5  1.6  1.3  3 0.3  0       4

我想以反映用户优先级的方式使用这些功能。目前，我正在使用sklearnsRandomForestRegressor`来执行这个任务。

但是，我最近得到了我的真实数据集，它有一些没有优先级标签的用户。那是因为这样的用户对我们公司来说并不重要（更像是普通用户）。

示例（真实数据集的样子）：

       f1   f2  f3  f4  f5  target_priority
user1  0.1  1.1  0 1.7  1       2
user2  1.1  0.3  1 1.3  3       2
user3  0.8  0.3  0 1.1  2       N/A
user4  1.5  1.2  1 0.8  3       N/A
user5  1.6  1.3  3 0.3  0       1

在这种特殊情况下（没有priority label），给它们一个特殊符号或一个远低于现有优先级（例如100000000000000000 priority）的优先级是否好？ RandomForestRegressor 中如何处理此类特殊情况？

如果需要，我很乐意提供更多详细信息？

【问题讨论】：

在您的数据集中，有多少 % 的样本带有标签 N/A ？

那我建议你做2个模型。首先预测一个样本是 Priority 还是 Non-priority。然后使用带有 Priority 标签的数据来预测target_priority。

是的。或者您的数据较少，假设 15-20%，那么您可以将其用作不同的类别。

目标标签中的 80-90% NA 或者这是否还包括输入特征中的值？

优先级也在固定范围内变化，即从 1-10 变化，或者它是可变的，意味着它可以无限变化？

【参考方案1】：

好的，如果 80-90% 不需要优先级，您应该构建一个分类器来决定是否需要分配优先级，因为这将是一个倾斜的类，我建议您使用决策树或异常检测作为分类器，需要优先级的数据点将是异常，您可以使用 Sklearn 来处理这些。

在确定必须分配优先级的对象后，我将研究训练数据在优先级方面的分布，您说优先级的范围是 1-100，所以如果您至少有 5,000 个数据点并且每个优先级至少有 35 个示例，我建议使用多类分类器（首选带有 rbf 内核的 SVC）和混淆矩阵来检查矩阵的准确性，如果这不起作用你将不得不对数据使用回归器然后将答案四舍五入。

我的基本意思是，如果数据足够大，并且目标标签之间分布均匀，则使用多类分类，如果数据不够大，则使用分类器，如果您想要任何部分的代码告诉我吧。

编辑代码

好的，让我们从顶部开始，首先在您的目标中，NA 值存储为np.nan，或者它们存储为? 之类的符号或N.A. 之类的直接文本，在所有情况下，这将导致在您的目标标签是对象类型中，要检查使用df[['target']].dtypes，如果它是int 或float，您可以跳过第一步，但如果它是object，那么我们需要先修复它。

df.loc[df['Target'] == 'N.A.', 'Target'] = np.nan #np = Numpy `N.A.` can be any placeholder that is being used by tour dataset for N.A. values.
df[['target']] = df[['target']].astype(float)

现在让我们进入第二部分，您需要获取分类器的目标，然后才能使用

df2 = pd.DataFrame()
df2['Bool'] = df[['Target']] != np.nan
df1 =  pd.concat([df, df2], axis = 1)
df1.head() #Sanity check

这将通过在分配优先级时添加 true 来更新您的数据框，此列将成为您分类器的目标。 注意使用df1 而不是df，现在从df1 中删除Target，因为它并不重要，对于第一部分。 df1.drop(['Target'], axis = 1, inplace = True)

现在我将在此使用随机森林分类，因为应避免异常检测，直到类倾斜高达 98%，但您可以查看它here.

继续，构建随机森林分类器

clf = RandomForestClassifier(n_estimators=100, max_depth=2) #Note max depth is a hyper parameter and you will need to tune it.
clf.fit (df1.drop(['Bool'],axis=1),df1['Bool'])

删除输出为假的行

df1 = df1[df['Bool'] == True]

然后在新数据上使用clf.predict()。删除输出为 false 的行，并对剩余数据运行回归器。我假设你可以做回归部分，因为这现在完全是直截了当的。如果您遇到任何其他问题，请告诉我。

【讨论】：

非常感谢您的出色回答。如果你能告诉我如何做这部分Decision tree or Anomaly Detection as classifier，那就太好了，因为我以前没有处理过倾斜的数据。其他部分我很清楚如何去做。期待您的回音。再次感谢您:)

期待您的回音:)

非常感谢。如果您可以使用那部分代码更新答案，那就太好了。我不着急。星期五对我来说很好。 :)

非常感谢。这很有帮助。是的，我对回归器部分比较熟悉 :) 只是一个简单的问题。当我做一些阅读时，我遇到了两个名为 undersampling 和 oversampling 的概念。使用 randomforestclassifier 时，undersampling/oversampling 会自动发生吗？再次非常感谢:)

@Emi no 它不会自动发生，但randomforestclassifier 会计算每个决策树中的特征重要性和整体特征重要性，从而减少使用欠采样/过采样来平衡数据集的需要。 P.S.：除非万不得已，否则我不会推荐过采样/欠采样，因为在某些可能会被删除的非常具体的情况下，即使是多数类也会被发现 :)