如何用字符串标签和特征训练树分类器？答案

【问题标题】：How to train a tree classifier with string labels and features?如何用字符串标签和特征训练树分类器？
【发布时间】：2018-11-06 15:30:15
【问题描述】：

下面是我的代码：

import sklearn
#features = [[140,"smooth"],[130,"smooth"],[150,"bumpy"],[170,"bumpy"]]
#labels = ["apple","apple","orange","orange"]

# Now replace 1 for smooth & 0 for bumpy and 0 for apple & 1 for orange
features = [[140,1],[130,1],[150,0],[170,0]]
labels = [0,0,1,1]

# Now I train a classifier
from sklearn import tree

my_classifier = tree.DecisionTreeClassifier()
my_classifier.fit(features,labels)
predict = my_classifier.predict([[150,0]])
print(predict)

如何训练分类器而不将其转换为数字？

例如我想要下面的代码行来对我的分类器进行分类。请建议，提前谢谢:)

features = [[140,"smooth"],[130,"smooth"],[150,"bumpy"],[170,"bumpy"]]
labels = ["apple","apple","orange","orange"]

【问题讨论】：

教程中说过。但是您可以使用任何类型作为标签或特征。
对于不需要转换的目标（标签），它将由 scikit 处理。但是对于您需要转换的功能
我删除了“...in supervised learning”，因为那是多余的。我将“字符串标签和特征”重新命名为“字符串标签和特征”，因为它们是不同的东西，它们的处理方式不同，无论是算法还是 sklearn 中的编码（取决于分类器的类型：基于树的、NN 等）。（此外，字符串特征通常需要规范化，字符串标签不需要。）
已经有124 questions for classifier string features，主要是Python。哪一个应该是规范的？

标签： python machine-learning artificial-intelligence classification decision-tree

【解决方案1】：

由于算法在后台工作的方式，您的标签和特征总是会在某个时候转换为 one-hot 向量。

您可以只维护一个字典，其中向量的哪个索引代表哪个标签，并在推断后将它们返回。

【讨论】：

字符串特征应被视为分类，而不是整数。此外，我们通常首先进行一些规范化（去除无意义的大小写、空格、标点符号和数字，也许是词形还原）和容错查找（例如 Levenshtein 距离）
@smci 通常，当类别定义明确时，例如（困难、容易）或（平滑、颠簸）或（高、中、低）等，我们不需要您描述的其他规范化过程），但 Levenshtein 距离 +1 :)
@smci 是的，在里面它可能会被转换为单热向量而不是整数。但是，AFAIK scikit-learn 不接受标签的单热向量输入或输出，而是接受整数。如果我错了，请随时纠正我，我会更改答案。
伙计们，已经在下面尝试过，它正在工作，但我相信会有另一种不错的方式来做到这一点，以防我的功能增加：from sklearn import preprocessing encoder = preprocessing.LabelEncoder() encodeValues = encoder.fit_transform(["smooth","smooth","bumpy","bumpy"]) print(encodeValues) features = [[140,1],[130,1],[150,0],[170, 0]] decodedValues = encoder.inverse_transform([1,1,0,0]) print(decodedValues)
@Ashish.k 你正朝着正确的方向前进。没有比这更好的方法了。只有正确的方法，那就是单热编码。这里当你说smooth=1 和bumpy=0 时，模型可能会假设smooth 的排序高于bumpy，这在你的类别中不包含任何顺序时是不相关的。