【发布时间】:2019-06-05 21:13:02
【问题描述】:
这里的基本问题:
我正在尝试实现一个简单的信用卡默认分类模型,我只在输入数据上使用model.fit、model.predict。但是,该输入数据既包含分类数据(例如年龄、已婚或未婚、教育程度等人口统计信息),也包含连续数据(例如学分余额)。
data.info()
<div class="output"><div class="output_area"><div class="run_this_cell"></div><div class="prompt"></div><div class="output_subarea output_text output_stream output_stdout"><pre><class 'pandas.core.frame.DataFrame'>
Int64Index: 30000 entries, 1 to 30000
Data columns (total 24 columns):
LIMIT_BAL 30000 non-null float64
SEX 30000 non-null int64
EDUCATION 30000 non-null int64
MARRIAGE 30000 non-null int64
AGE 30000 non-null int64
PAY_1 30000 non-null int64
PAY_2 30000 non-null int64
PAY_3 30000 non-null int64
PAY_4 30000 non-null int64
PAY_5 30000 non-null int64
PAY_6 30000 non-null int64
BILL_AMT1 30000 non-null float64
BILL_AMT2 30000 non-null float64
BILL_AMT3 30000 non-null float64
BILL_AMT4 30000 non-null float64
BILL_AMT5 30000 non-null float64
BILL_AMT6 30000 non-null float64
PAY_AMT1 30000 non-null float64
PAY_AMT2 30000 non-null float64
PAY_AMT3 30000 non-null float64
PAY_AMT4 30000 non-null float64
PAY_AMT5 30000 non-null float64
PAY_AMT6 30000 non-null float64
default 30000 non-null int64
dtypes: float64(13), int64(11)
memory usage: 5.7 MB
</pre></div></div></div>
据我了解,scikit-learn 要求所有数据都是数字和连续的,或者专门编码为分类变量。数字部分不是问题,因为我的所有数据都是用数字编码的(比如 0 表示已婚,1 表示未婚),但我的 3 个变量(SEX、EDUCATION 和 MARRIAGE)是名义/有序的,需要编码为分类变量而不是 int64 的。
如何使用 scikit-learn 的预处理模块对这 3 个变量进行编码,以将这些特征正确地输入到逻辑回归等模型中?
提前致谢,请原谅格式(随时编辑或推荐我如何正确地将 Jupyter Notebook 输出包含到 Stack Overflow 帖子中)。
【问题讨论】:
-
您在哪里看到数据连续的要求?您是在谈论分类问题与回归问题之间的区别吗?一旦它被数字编码,它就可以被输入到模型中。您是否尝试过,遇到的问题或错误是什么?
-
嗯,我想问题出在编码上。现在,我所有的特征都编码为 float64 或 int64,但我认为我需要将所有 int64 编码为 sklearn-preprocessing 的类别。我从 Datacamp 的监督学习课程中得到了数据必须是连续的要求。但我还在scikit-learn's documentation 上发现分类变量的整数表示不起作用。
-
@G.Anderson,感谢您的反馈。为了清楚起见,我将编辑问题。
-
这更有意义!由于分类变量已经是数值型的,只需使用内置的One-Hot encoder 将变量转换为 one-hot 列
标签: python machine-learning scikit-learn classification categorical-data