Skateganical DataをSkype LogisticRegressionの機能として使用する

Question

カテゴリデータをsklearn.linear_modelのLogisticRegressionの機能として使用する方法を理解しようとしています。

もちろん私はそれをエンコードする必要があります。私は理解していない何

1. は、それがカテゴリ機能として処理されますので、ロジスティック回帰へのエンコード機能を渡す方法で、標準定量化機能として符号化するとき、それが得たint値を解釈しません。

2. （あまり重要ではありません）preprocessing.LabelEncoder()、DictVectorizer.vocabularyを使用するか、カテゴリデータを簡単なdictでエンコードするだけの違いを誰かが説明できますか？ Alex A.'s comment hereは被験者には触れるが、深くは触れない。

特に最初のものと！

Answer 1

1. 数値に範疇の機能を変換するスタンダール・アプローチ - OneHotEncoding

2. それは完全に異なるクラスです：

   [DictVectorizer][2].vocabulary_

   インデックスを搭載した辞書マッピング機能の名前。

   すなわち後fit()DictVectorizerは、可能なすべての機能名を持ち、今では、特定のどの列に、それは機能の特定の値を配置します知っています。したがって、DictVectorizer.vocabulary_は、のフィーチャーのを含みますが、値は含まれていません。

   LabelEncoderそれぞれの可能なラベル（Labelは文字列または整数）をいくつかの整数値にマッピングし、これらの整数値の1Dベクトルを返します。

Answer 2

異なるカテゴリの区分変数を作成することができます。たとえば：

animal_names = {'mouse';'cat';'dog'} 

Indicator_cat = strcmp(animal_names,'cat') 
Indicator_dog = strcmp(animal_names,'dog') 

その後、我々は持っている：

   [0       [0 
Indicator_cat = 1  Indicator_dog = 0 
       0]       1] 

そして、あなたはあなたの元のデータマトリックス上にこれらを連結することができます：にせずに、1つのカテゴリを残すものの

X_with_indicator_vars = [X, Indicator_cat, Indicator_dog] 

---

は覚えておいてください定数項がデータ行列に含まれている場合のインジケータ！それ以外の場合は、データ行列は完全な列のランクではありません（または計量経済学的には、あなたはマルチ共直線性を持っています）。

[1 1 0 0   Notice how constant term, an indicator for mouse, 
1 0 1 0   an indicator for ca,t and an indicator for dog 
1 0 0 1]  leads to a less than full column rank matrix: 
        the first column is the sum of the last three. 

Answer 3

各カテゴリ変数のタイプが「オブジェクト」であるとします。まず、あなたは、カテゴリ列名のpanda.indexを作成することができます。

import pandas as pd  
catColumns = df.select_dtypes(['object']).columns 

その後、あなたはforループ下に使用して標識変数を作成することができます。バイナリカテゴリ変数の場合は、を使用して0と1に変換します。 2つ以上のカテゴリを持つカテゴリ変数の場合は、pd.getDummies()を使用してインジケータ変数を取得し、1つのカテゴリを削除します（マルチ共線性の問題を回避するため）。

from sklearn import preprocessing 
le = preprocessing.LabelEncoder() 

for col in catColumns: 
    n = len(df[col].unique()) 
    if (n > 2): 
     X = pd.get_dummies(df[col]) 
     X = X.drop(X.columns[0], axis=1) 
     df[X.columns] = X 
     df.drop(col, axis=1, inplace=True) # drop the original categorical variable (optional) 
    else: 
     le.fit(df[col]) 
     df[col] = le.transform(df[col])