【问题标题】:KNN with categorical values can not predict correctly具有分类值的 KNN 无法正确预测
【发布时间】:2019-01-27 01:08:08
【问题描述】:

我正在尝试建立一个模型,给定一个项目,预测它属于哪个商店。

我有一个大约 250 条记录的数据集,这些记录应该是不同在线商店中的商品。

每条记录由以下部分组成: Category,Sub Category,Price,Store Identifier(The y variable)

我已经尝试了几个邻居,尝试了曼哈顿距离但不幸的是无法获得更好的结果精度〜0.55。 随机森林产生的准确度约为 0.7。

我的直觉是模型应该能够预测这个问题。我错过了什么?

这是数据: https://pastebin.com/nUsSbkp4

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

dataset = pd.read_csv('data.csv')
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, 3].values

labelencoder_X_0 = LabelEncoder()
X[:, 0] = labelencoder_X_0.fit_transform(X[:, 0])

labelencoder_X_1 = LabelEncoder()
X[:, 1] = labelencoder_X_1.fit_transform(X[:, 1])

onehotencoder_0 = OneHotEncoder(categorical_features = [0])
X = onehotencoder_0.fit_transform(X).toarray()

onehotencoder_1 = OneHotEncoder(categorical_features = [1])
X = onehotencoder_1.fit_transform(X).toarray()

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
# classifier = RandomForestClassifier(n_estimators=25, criterion='entropy', random_state = 0)
classifier = KNeighborsClassifier(n_neighbors=3, metric='minkowski', p=2)
classifier.fit(X_train, y_train)

y_pred = classifier.predict(X_test)
cm = confusion_matrix(y_test, y_pred)

accuracy = classifier.score(X_test, y_test) 
print(accuracy)

【问题讨论】:

    标签: machine-learning scikit-learn random-forest knn


    【解决方案1】:

    KNN 可以使用分类预测器产生良好的预测。我之前已经成功了。但是有一些东西没有注意:

    除此之外,你实际上在 one-hot-encoding 中有一个错误:

    在调用第一个热编码器后,您有一个形状数组 (273, 21):

    onehotencoder_0 = OneHotEncoder(categorical_features = [0])
    X = onehotencoder_0.fit_transform(X).toarray()
    print(X.shape)
    print(X[:5,:])
    
    Out:
    (275, 21)
    [[ 0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.    0.
       0.    0.    0.    0.    0.    0.    0.   52.   33.99]
     [ 0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.    0.
       0.    0.    0.    0.    0.    0.    0.   52.   33.97]
     [ 0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.    0.
       0.    0.    0.    0.    0.    0.    0.   36.   27.97]
     [ 0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.    0.
       0.    0.    0.    0.    0.    0.    0.   37.   13.97]
     [ 0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.    0.
       0.    0.    0.    0.    0.    0.    0.   20.    9.97]]
    

    然后你在第二列调用一个热编码,它只有两个值(零和一),因此结果:

    onehotencoder_1 = OneHotEncoder(categorical_features = [1])
    X = onehotencoder_1.fit_transform(X).toarray()
    print(X.shape)
    print(X[:5,:])
    
    Out:
    (275, 22)
    [[ 1.    0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.
       0.    0.    0.    0.    0.    0.    0.    0.   52.   33.99]
     [ 1.    0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.
       0.    0.    0.    0.    0.    0.    0.    0.   52.   33.97]
     [ 1.    0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.
       0.    0.    0.    0.    0.    0.    0.    0.   36.   27.97]
     [ 1.    0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.
       0.    0.    0.    0.    0.    0.    0.    0.   37.   13.97]
     [ 1.    0.    0.    0.    0.    0.    0.    0.    0.    1.    0.    0.
       0.    0.    0.    0.    0.    0.    0.    0.   20.    9.97]]
    

    所以,如果你能解决这个问题,或者简单地使用管道来避免这种情况,并像这样添加数值变量的缩放:

    from sklearn.pipeline import Pipeline, FeatureUnion, make_pipeline
    from sklearn.preprocessing import OneHotEncoder, StandardScaler
    from sklearn.base import BaseEstimator, TransformerMixin
    from sklearn.neighbors import KNeighborsClassifier
    
    class Columns(BaseEstimator, TransformerMixin):
        def __init__(self, names=None):
            self.names = names
    
        def fit(self, X, y=None, **fit_params):
            return self
    
        def transform(self, X):
            return X.loc[:,self.names]
    
    dataset = pd.read_csv('data.csv', header=None)
    dataset.columns = ["cat1", "cat2", "num1", "target"]
    
    X = dataset.iloc[:, :-1]
    y = dataset.iloc[:, 3]
    
    labelencoder_X_0 = LabelEncoder()
    X.iloc[:, 0] = labelencoder_X_0.fit_transform(X.iloc[:, 0])
    
    labelencoder_X_1 = LabelEncoder()
    X.iloc[:, 1] = labelencoder_X_1.fit_transform(X.iloc[:, 1])
    
    numeric = ["num1"]
    categorical = ["cat1", "cat2"]
    
    pipe = Pipeline([
        ("features", FeatureUnion([
            ('numeric', make_pipeline(Columns(names=numeric),StandardScaler())),
            ('categorical', make_pipeline(Columns(names=categorical), OneHotEncoder(sparse=False)))
        ])),
    ])
    
    X = pipe.fit_transform(X)
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)
    # classifier = RandomForestClassifier(n_estimators=25, criterion='entropy', random_state = 0)
    classifier = KNeighborsClassifier(n_neighbors=3, metric='minkowski', p=2)
    classifier.fit(X_train, y_train)
    
    y_pred = classifier.predict(X_test)
    cm = confusion_matrix(y_test, y_pred)
    
    accuracy = classifier.score(X_test, y_test) 
    print(accuracy)
    
    Out: 
    0.7101449275362319
    

    正如您所见,这至少将准确性带入了 Random Forrest 的球场!

    因此,您接下来可以尝试的是高尔距离。正在讨论将其添加到 sklearn here,因此可以查看 Ipython Notebook 中发布的代码并尝试。

    【讨论】:

    • 非常感谢您的回答!它确实做出了很好的改变。不过,我还有一个问题.. 一旦我添加的数据比我之前发布的更多:pastebin.com/ak2yaCrQ 它似乎使结果恢复到以前的状态。这是为什么呢?
    • Mh,所以我迅速检查了 Random Forrest,它的准确性现在也随着新数据的下降而下降,现在两者仍然在同一个球场上。所以我认为这不再是一个编程问题(因此与 SO 的这个线程无关)。因此,也许可以更深入地挖掘新数据中的不同之处,例如检查类实验室的分布以查看类是否平衡,如果不平衡,则考虑解决此问题的方法。然后想想你的指标。准确性是否适合您的问题?现在有很多事情要做:)
    • 我假设“驻留在数据集中的记录”是指训练集?好吧,在训练集上你目前有 76%(顺便说一句,这表明过度拟合,在测试集上给出了 62%)。因此,即使对于火车组,它也有 24% 的错误!这是预期的。对于 KNN,这是由于对训练集中的 k 个最相似的实例进行平均。如前所述,这不是程序问题,而是迭代建模并深入挖掘问题。
    • (+1) 和我的编辑,因为我删除了自己的答案(不知何故,我完全错过了单热编码......)
    • 可能需要做很多事情来改进你的模型(添加特征、添加数据、改进建模参数、尝试不同的模型……),所以请继续阅读无尽的博客和教程对实现更高的精度很重要。但是,它最终可能不是真正可预测的“足够”(无论在您的情况下意味着什么)。但我认为这对于 SO 来说已经离题而且太宽泛了——除非你认为你发现了另一个编程错误,然后再考虑另一个问题。祝你好运!
    猜你喜欢
    • 1970-01-01
    • 2013-03-08
    • 1970-01-01
    • 2019-06-11
    • 2017-11-01
    • 2016-10-15
    • 2020-06-29
    • 2020-09-22
    • 2021-08-12
    相关资源
    最近更新 更多