是否可以在 SKLearn 中使用标记数据？答案

【问题标题】：Is it possible to use labelled data in SKLearn?是否可以在 SKLearn 中使用标记数据？
【发布时间】：2013-10-16 21:00:02
【问题描述】：

目前我的代码如下：

clf = RandomForestClassifier(n_estimators=10, criterion='entropy')
clf = clf.fit(X, Y)

但是 X 是一个类似的数组：

X = [[0, 1], [1, 1]]

我更喜欢像这样使用 X：

X = [{'avg': 0, 'stddev': 1}, {'avg': 1, 'stddev': 1}]

仅仅是因为当您阅读X[0]['avg'] 而不是X[0][0] 时，绘制一棵树（如此处所述：http://scikit-learn.org/stable/modules/tree.html#classification）更有意义。可能吗？使用字典还是熊猫？

【问题讨论】：

标签： scikit-learn

【解决方案1】：

您可以使用 DictVectorizer 类将这样的 dicts 列表转换为稀疏矩阵或密集 numpy 数组。

scikit-learn 永远不会使用 dict 对象作为内部存储记录的主要数据结构，因为与 numpy 数组或 scipy 稀疏矩阵相比，这根本没有内存效率。

【讨论】：

您可以使用vectorizer.get_feature_names() 获取映射到数据矩阵列的特征的原始名称。
我没有看到你是 scikit-learn 的开发者之一，非常感谢你的工作！

【解决方案2】：

Here's 是 'larsmans' 关于如何在数据上拟合模型之前构建特征字典和使用 DictVectorizer 的一个很好的例子。请注意，DictVectorizer 类默认使用 scipy.sparse 矩阵（而不是 numpy.ndarray），以使生成的数据结构能够适合内存。由于并非所有 sklearn 学习模型都支持稀疏矩阵，因此您可能希望在构造函数中使用 sparse=False 选项来获得密集数组

dv = DictVectorizer(sparse=False)

【讨论】：

【解决方案3】：

或者，您可以在使用export_graphviz 时指定功能名称。这将产生在测试节点上具有更有意义标签的树。

在http://scikit-learn.org/dev/modules/generated/sklearn.tree.export_graphviz.html#sklearn.tree.export_graphviz 处查看feature_names 参数

【讨论】：

从哪里获得列表以作为feature_names 参数提供？