Примечание
Перейти к концу для загрузки полного примера кода. или для запуска этого примера в вашем браузере через JupyterLite или Binder
Сравнение кодировщика целевых значений с другими кодировщиками
Кодировщик целевых значений TargetEncoder использует значение целевой переменной для кодирования каждого категориального признака. В этом примере мы сравним три различных подхода к обработке категориальных признаков: TargetEncoder, OrdinalEncoder, OneHotEncoder и удаление категории.
Примечание
fit(X, y).transform(X) не равно fit_transform(X, y), поскольку в fit_transform для кодирования используется схема кросс-валидации. Подробности см. в Руководстве пользователя.
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause
Загрузка данных из OpenML
Сначала загружаем набор данных о виноградных отзывах, где целевой переменной является оценка, данная рецензентом:
from sklearn.datasets import fetch_openml wine_reviews = fetch_openml(data_id=42074, as_frame=True) df = wine_reviews.frame df.head()
В этом примере мы используем следующие подмножества числовых и категориальных признаков в данных. Целевые значения — это непрерывные значения от 80 до 100:
numerical_features = ["price"]
categorical_features = [
"country",
"province",
"region_1",
"region_2",
"variety",
"winery",
]
target_name = "points"
X = df[numerical_features + categorical_features]
y = df[target_name]
_ = y.hist()
Обучение и оценка конвейеров с различными кодировщиками
В этом разделе мы оценим конвейеры с использованием HistGradientBoostingRegressor с различными стратегиями кодирования. Сначала мы перечислим используемые кодировщики для предварительной обработки категориальных признаков:
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder, TargetEncoder
categorical_preprocessors = [
("drop", "drop"),
("ordinal", OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1)),
(
"one_hot",
OneHotEncoder(handle_unknown="ignore", max_categories=20, sparse_output=False),
),
("target", TargetEncoder(target_type="continuous")),
]
Далее мы оценим модели с помощью кросс-валидации и запишем результаты:
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import cross_validate
from sklearn.pipeline import make_pipeline
n_cv_folds = 3
max_iter = 20
results = []
def evaluate_model_and_store(name, pipe):
result = cross_validate(
pipe,
X,
y,
scoring="neg_root_mean_squared_error",
cv=n_cv_folds,
return_train_score=True,
)
rmse_test_score = -result["test_score"]
rmse_train_score = -result["train_score"]
results.append(
{
"preprocessor": name,
"rmse_test_mean": rmse_test_score.mean(),
"rmse_test_std": rmse_train_score.std(),
"rmse_train_mean": rmse_train_score.mean(),
"rmse_train_std": rmse_train_score.std(),
}
)
for name, categorical_preprocessor in categorical_preprocessors:
preprocessor = ColumnTransformer(
[
("numerical", "passthrough", numerical_features),
("categorical", categorical_preprocessor, categorical_features),
]
)
pipe = make_pipeline(
preprocessor, HistGradientBoostingRegressor(random_state=0, max_iter=max_iter)
)
evaluate_model_and_store(name, pipe)
Поддержка категориальных признаков в исходном формате
В этом разделе мы создаем и оцениваем конвейер, который использует поддержку категориальных признаков в исходном формате в HistGradientBoostingRegressor, который поддерживает до 255 уникальных категорий. В нашем наборе данных большинство категориальных признаков имеют более 255 уникальных категорий:
n_unique_categories = df[categorical_features].nunique().sort_values(ascending=False) n_unique_categories
winery 14810 region_1 1236 variety 632 province 455 country 48 region_2 18 dtype: int64
Для решения этой проблемы мы группируем категориальные признаки на признаки с низким и высоким числом категорий. Признаки с высоким числом категорий будут закодированы с помощью кодировщика целевых значений, а признаки с низким числом категорий будут использованы в градиентном бустинге в исходном формате.
high_cardinality_features = n_unique_categories[n_unique_categories > 255].index
low_cardinality_features = n_unique_categories[n_unique_categories <= 255].index
mixed_encoded_preprocessor = ColumnTransformer(
[
("numerical", "passthrough", numerical_features),
(
"high_cardinality",
TargetEncoder(target_type="continuous"),
high_cardinality_features,
),
(
"low_cardinality",
OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=-1),
low_cardinality_features,
),
],
verbose_feature_names_out=False,
)
# The output of the of the preprocessor must be set to pandas so the
# gradient boosting model can detect the low cardinality features.
mixed_encoded_preprocessor.set_output(transform="pandas")
mixed_pipe = make_pipeline(
mixed_encoded_preprocessor,
HistGradientBoostingRegressor(
random_state=0, max_iter=max_iter, categorical_features=low_cardinality_features
),
)
mixed_pipe
Вывод результатов
В этом разделе мы отображаем результаты, строя графики тестовых и обучающих оценок:
import matplotlib.pyplot as plt
import pandas as pd
results_df = (
pd.DataFrame(results).set_index("preprocessor").sort_values("rmse_test_mean")
)
fig, (ax1, ax2) = plt.subplots(
1, 2, figsize=(12, 8), sharey=True, constrained_layout=True
)
xticks = range(len(results_df))
name_to_color = dict(
zip((r["preprocessor"] for r in results), ["C0", "C1", "C2", "C3", "C4"])
)
for subset, ax in zip(["test", "train"], [ax1, ax2]):
mean, std = f"rmse_{subset}_mean", f"rmse_{subset}_std"
data = results_df[[mean, std]].sort_values(mean)
ax.bar(
x=xticks,
height=data[mean],
yerr=data[std],
width=0.9,
color=[name_to_color[name] for name in data.index],
)
ax.set(
title=f"RMSE ({subset.title()})",
xlabel="Encoding Scheme",
xticks=xticks,
xticklabels=data.index,
)
При оценке предсказательной производительности на тестовом наборе данных, отбрасывание категорий показало худшие результаты, а кодировщики целевых переменных — лучшие. Это можно объяснить следующим:
- Отбрасывание категориальных признаков делает конвейер менее выразительным и, как следствие, приводит к недообучению;
- Из-за высокой кардинальности и для сокращения времени обучения схема кодирования «один-из-n» использует
max_categories=20, что предотвращает чрезмерное расширение признаков, что может привести к недообучению. - Если бы мы не установили
max_categories=20, схема кодирования «один-из-n» могла бы привести к переобучению, поскольку количество признаков взрывается при появлении редких категорий, случайно коррелирующих с целевой переменной (только на обучающем наборе); - Порядковое кодирование навязывает произвольный порядок признакам, которые затем обрабатываются как числовые значения
HistGradientBoostingRegressor. Поскольку эта модель группирует числовые признаки в 256 бинов на признак, многие не связанные категории могут быть сгруппированы вместе, и в результате общий конвейер может недообучиться; - При использовании кодировщика целевых переменных происходит та же группировка по бинам, но поскольку закодированные значения статистически упорядочены по маргинальной ассоциации с целевой переменной, группировка по бинам, используемая
HistGradientBoostingRegressor, имеет смысл и приводит к хорошим результатам: сочетание сглаженного кодирования целевых переменных и группировки по бинам работает как хорошая стратегия регуляризации против переобучения, не слишком ограничивая выразительность конвейера.
Общее время выполнения скрипта: (0 минут 25.772 секунды)
Связанные примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/preprocessing/plot_target_encoder.html
