machine-learning - 如何在python中的sklearn中标记RandomForestRegressor中的特殊情况
问题描述
对于我的数据集中的每个用户,我有一组数字特征(f1、f2、f3、f4、f5),如下所示。
f1 f2 f3 f4 f5
user1 0.1 1.1 0 1.7 1
user2 1.1 0.3 1 1.3 3
user3 0.8 0.3 0 1.1 2
user4 1.5 1.2 1 0.8 3
user5 1.6 1.3 3 0.3 0
我的目标输出是一个优先用户列表。即如下例所示。
f1 f2 f3 f4 f5 target_priority
user1 0.1 1.1 0 1.7 1 2
user2 1.1 0.3 1 1.3 3 1
user3 0.8 0.3 0 1.1 2 5
user4 1.5 1.2 1 0.8 3 3
user5 1.6 1.3 3 0.3 0 4
我想以反映用户优先级的方式使用这些功能。目前,我正在使用sklearns
RandomForestRegressor` 来执行此任务。
然而,我最近得到了我的真实数据集,它有一些没有优先级标签的用户。那是因为这样的用户对我们公司来说并不重要(更像是普通用户)。
示例(真实数据集的样子):
f1 f2 f3 f4 f5 target_priority
user1 0.1 1.1 0 1.7 1 2
user2 1.1 0.3 1 1.3 3 2
user3 0.8 0.3 0 1.1 2 N/A
user4 1.5 1.2 1 0.8 3 N/A
user5 1.6 1.3 3 0.3 0 1
在这种特殊情况下(没有priority label
),是否可以给它们一个特殊符号或远低于现有优先级(例如,100000000000000000 priority
)的优先级?在 RandomForestRegressor 中如何处理这种特殊情况?
如果需要,我很乐意提供更多详细信息?
解决方案
好的,如果 80-90% 不需要优先级,您应该构建一个分类器来决定是否需要分配优先级,因为这将是一个倾斜的类,我建议您使用决策树或异常检测作为分类器,需要优先级的数据点将是异常的,您可以使用 Sklearn 来处理这些。
在确定必须分配优先级的对象后,我将研究训练数据的优先级分布,您说优先级范围从 1-100,所以如果您至少有 5,000 个数据点和每个优先级级别至少有 35 个示例,我建议使用多类分类器(首选带有 rbf 内核的 SVC)和混淆矩阵来检查矩阵的准确性,如果这不起作用你将不得不对数据使用回归器然后四舍五入答案。
我的基本意思是,如果数据足够大,并且目标标签之间分布均匀,则使用多类分类,如果数据不够大,则使用分类器,如果您想要其中任何部分的代码,让我知道。
编辑代码
好的,让我们从顶部开始,首先在您的目标中存储 NA 值,np.nan
或者将它们存储为符号?
或直接文本,N.A.
在所有情况下,这将导致您的目标标签为对象类型,以检查使用df[['target']].dtypes
如果它说 int 或 float,你可以跳过第一步,但如果它说 object,那么我们需要先修复它。
df.loc[df['Target'] == 'N.A.', 'Target'] = np.nan #np = Numpy `N.A.` can be any placeholder that is being used by tour dataset for N.A. values.
df[['target']] = df[['target']].astype(float)
现在让我们转到第二部分,您需要在其中获取分类器的目标,以便使用
df2 = pd.DataFrame()
df2['Bool'] = df[['Target']] != np.nan
df1 = pd.concat([df, df2], axis = 1)
df1.head() #Sanity check
这将通过在分配优先级时添加 true 来更新您的数据框,此列将成为您分类器的目标。注意using df1
and not df
,现在删除Target
fromdf1
因为它并不重要,对于第一部分。df1.drop(['Target'], axis = 1, inplace = True)
现在我将在此使用随机森林分类,因为应避免异常检测,直到类倾斜高达 98%,但您可以在此处查看。
继续,构建随机森林分类器
clf = RandomForestClassifier(n_estimators=100, max_depth=2) #Note max depth is a hyper parameter and you will need to tune it.
clf.fit (df1.drop(['Bool'],axis=1),df1['Bool'])
删除输出为假的行
df1 = df1[df['Bool'] == True]
然后只需clf.predict()
在新数据上使用。删除输出为 false 的行,并对剩余数据运行回归器。我假设你可以做回归部分,因为这现在完全是直截了当的。如果您遇到任何进一步的问题,请告诉我。