RapidMiner：我可以使用通配符作为属性值来训练决策树模型吗？答案

【问题标题】：RapidMiner: Can I use a wildcard as an attribute value for training a decision tree model?RapidMiner：我可以使用通配符作为属性值来训练决策树模型吗？
【发布时间】：2015-06-20 03:05:33
【问题描述】：

我正在 RapidMiner 5.3.013 中开发一个相当简单的过程，它读取一个 CSV 文件并将其用作训练集来训练决策树分类器。该过程的结果就是模型。读取第二个 CSV 并将其用作未标记集。模型（之前计算的）应用到未标记的测试集，以努力正确地标记它。

CSV 的每一行都包含一些属性，例如：
15, 0, 1555, abc*15, label1

但训练集的某些行可能是这样的：
15, 0, *, abc*15, label2
这样做是因为第三个值可能取不同的值，因此训练集的创建者使用星号作为通配符来代替值。

我想做的是让决策树知道那里的星意味着“匹配任何东西”，这样它就不会只匹配一个星。

注意事项：

第 4 个字段 (abc*15) 中的星号应按字面意思匹配，而不是通配符。
如果第三个字段总是包含星号，我不能将它包含在属性中，但事实并非如此。有时第三个字段包含整数值，应按字面意思匹配。
我尝试将该字段留空，但它不起作用

那么，有没有办法在训练分类器或使用模型时使用正则表达式，或者至少是一个简单的通配符？

另一种说法是：我可以指示分类器不使用某些条目（CSV 中的行）中的某些属性吗？

谢谢！

【问题讨论】：

我最终做的是修改决策树模型创建者的 Java 代码。它奏效了！我在我的论文中使用了它:)。我一直在等我有空闲时间来正确地写一个答案，但这不会很快发生，因此我现在要做的就是这个评论。如果有人需要更多详细信息，请询问，我会在附近。

标签： regex csv classification decision-tree rapidminer

【解决方案1】：

我会处理数据，以便缺失值本身是有效的，并且我会将有效数字离散化为范围内。

更详细地说，我的意思是缺少属性的值类似于* 的情况。我只是允许这是该属性采用的一个有效值。对于此属性的所有其他值，它们都是数字，因此需要将它们转换为标称值以与现在有效的* 兼容。

这样做相当繁琐，我还没有尝试过，但我会从运算符Declare Missing Value 开始检测* 并使它们丢失。从那里，我将使用运算符Discretize by Binning 将数字转换为标称值。最后，我将使用Replace Missing Values 将缺失值更改为标称值，例如Missing。你可能会问，为什么要麻烦上面的第一个 Declare Missing 步骤？原因是它允许离散化操作工作，因为它只处理数字，因为非数字被标记为缺失。

然后以正常方式将生成的示例集传递给模型。显然，模型必须能够处理名义属性（决策树可以）。

我突然想到，一些建模运算符对缺失数据的容忍度更高。我认为k最近邻可能是其中之一。在这种情况下，您可以像上面一样简单地标记缺失的部分，而不必费心离散化步骤。

确实需要注意缺失数据的整个区域，因为了解缺失的来源很重要。如果缺失数据与其他属性或标签本身相关，则处理不当可能会导致结果出现偏差。

【讨论】：

感谢您的回复。您能否添加一个示例或更多解释以帮助我更好地理解解决方案？ >>> 第 1 部分：我可以对数据（训练集和测试集）进行预处理，但是“缺失值”是什么意思？也许是训练集中的通配符？ >>> 第2部分：因此，我可以将它们声明为数字并让树生成范围，而不是将单个值视为名义值，对吗？但这并没有真正解决问题，因为通配符应该匹配任何值，所以范围是 0 到最大值。
我之前的回复有点简短 - 我将直接对其进行编辑，使其更加独立。