Python Sklearn：理解分类变量的 d-tree 输出

Question

我正在学习 Python Scikit-learn。

我最近在一个问题集上实现了d-tree。数据集具有所有分类特征，与 R 不同，Python 需要对分类变量进行虚拟编码。

我使用以下代码对所有分类变量进行了虚拟编码：

col_names =['city_name','signup_os','signup_channel']
df_with_dummies = pd.get_dummies(df2, columns = col_names)

虚拟编码根据每列具有的因子数创建新列，然后用 0 和 1 替换值：

我在这个新数据帧上创建了d-tree 算法，但让我感到困惑的是输出。

d-tree 方法已经能够为虚拟编码列提供 .5 的节点值：

如何解释输出？值sign_up_os_windows <=.5有什么意义？我应该如何将其转换回原始变量？

请帮助我输入您的意见。

Answer 1

• DT 分类器将二进制分类变量表示为浮点 0.5 不是问题。条件signup_os_ios_web <= 0.5与signup_os_ios_web == 0.0相同；
• 该算法不会在内部转换输入。

让我假设 0 表示“否”，1 表示“是”。考虑在您的情况下第一个节点指示signup_os_ios_web：

• 如果答案是“否”（signup_os_ios_web <= 0.5 因此等于 0），那么它会继续到它的子节点，特别是 Eagerness；
• 如果后者也是“否”，那么算法会沿着树向下，到达您的 signup_os_windows 二进制虚拟对象...等等。

将 0.5 视为一个简单的中等阈值或介于 0 和 1 之间的中心，它基本上将“是”和“否”一分为二甚至可能发生。

---

示例

让我们看一下由 22 个样本组成的缩短的 Titanic 数据集。 X 如下所示：

Indexer          (0)  (1)    (2)      (3)
PassengerID    Pclass Sex    Age      Fare
1                 3    1    22.00    7.2500
2                 1    0    38.00   71.2833
3                 3    0    26.00    7.9250
4                 1    0    35.00   53.1000
5                 3    1    35.00    8.0500

如您所见，Sex 列是一个二进制分类变量，其索引等于 1。

y 是一个数组，表示一个人是否幸存。如果我们打印出前 5 个样本，我们将收到：

数组([0, 0, 0, 0, 0])

这意味着从这个变量中取出的前 5 个人不能成功。

好的，在我们安装了DT 分类器之后，我们可以从中创建一个图来更彻底地查看树结构（我使用export_graphviz 来实现这一点）：

第一个节点表示给定样本的性别，索引 1 与名为 Sex 的列相关，如上所示。 PassengerID 列只是 X 数据帧的索引器。

您还可以看到情况与您的情况相似，因为阈值等于 0.5。你可以这样理解：

如果性别是女性（如果 Sex <= 0.5 自动等于 0），继续到左侧节点。

我希望澄清一下。