【发布时间】：2020-06-18 07:50:44
【问题描述】：
我在有时缺少某些值的数据上使用sklearn.ensemble.GradientBoostingRegressor。我不能轻易地估算这些数据，因为它们有很大的差异，而且估计对它们非常敏感。它们也几乎从不为 0。
documentation of the fit method 表示第一个参数X：
输入样本。在内部，它将被转换为 dtype=np.float32 并且如果将稀疏矩阵提供给稀疏 csr_matrix。
这让我想到 GradientBoostingRegressor 可以处理稀疏输入数据。
但是internally 它使用隐式force_all_finite=True（默认值）调用check_array，因此如果我输入带有NaN 值的csr_matrix，我会收到以下错误：
ValueError: Input contains NaN, infinity or a value too large for dtype('float32')
GradientBoostingRegressor 实际上不支持稀疏数据吗？
更新：
我很幸运，我没有任何有意义的零。我的调用代码现在看起来像这样：
predictors['foobar'] = predictors['foobar'].fillna(0) # for columns that contain NaNs
predictor_matrix = scipy.sparse.csr_matrix(
predictors.values.astype(np.float)
)
predictor_matrix.eliminate_zeros()
model.fit(predictor_matrix, regressands)
这避免了上述异常。不幸的是，没有eliminate_nans() 方法。 （当我用NaNs 打印一个稀疏矩阵时，它会明确列出它们，所以备用性必须是不包含NaNs 的东西。）
但预测性能没有（明显）改变。
【问题讨论】：
-
稀疏矩阵只是具有许多零的数组的另一种[有效]表示。如果你有 NaN，稀疏不会帮助你。无论如何，您必须决定插补策略。
标签： pandas numpy machine-learning scikit-learn scipy