时间戳

首页 > 解决方案 > logit 和 sklearn 管道的一种热编码

python - logit 和 sklearn 管道的一种热编码

问题描述

我正在尝试使用 Python 中的Dalex包来可视化二进制 logit 模型的某些特征。

我从这里的示例书中复制了一段代码 （整个第五个代码单元），但现在我不太确定应该如何解释结果......

在我使用创建的基本 logit 模型中，我statsmodels为每个类别手动选择了一个参考水平变量，以避免多重共线性（这意味着模型的所有结果都相对于参考水平进行解释）。

但是当我使用上面链接中的一段代码（也复制到这篇文章下面）时，它首先在 中创建一些管道对象sklearn，one-hot 对分类变量进行编码，然后将管道对象拟合到数据并在Dalex解释器作为要解释的模型。

问题是，当我使用model_profile()Dalex 中的函数时，它应该输出一个图表，显示变量对预测的其他条件不变的影响，我不知道如何解释结果，因为似乎一个分类变量中的所有值包含在图表中。

例如，该模型显示了“性别”分类变量对男性和女性平均预测的影响......

这也显示了一条名为“平均预测”的水平线，但“平均预测”是什么？它是根据男性作为参考水平计算的，还是女性？

我对结果的含义感到非常困惑......有人可以澄清一下吗？model_profile()我尝试使用的功能也在笔记本中进行了说明。谢谢！

我复制的一段代码：

    numerical_features = ['age', 'fare', 'sibsp', 'parch']
    numerical_transformer = Pipeline(
        steps=[
            ('imputer', SimpleImputer(strategy='median')),
            ('scaler', StandardScaler())
        ]
    )
    
    categorical_features = ['gender', 'class', 'embarked']
    categorical_transformer = Pipeline(
        steps=[
            ('imputer', SimpleImputer(strategy='constant', fill_value='missing')),
            ('onehot', OneHotEncoder(handle_unknown='ignore'))
        ]
    )
    
    preprocessor = ColumnTransformer(
        transformers=[
            ('num', numerical_transformer, numerical_features),
            ('cat', categorical_transformer, categorical_features)
        ]
    )
    
    classifier = MLPClassifier(hidden_layer_sizes=(150,100,50), max_iter=500, random_state=0)
    
    clf = Pipeline(steps=[('preprocessor', preprocessor),
                          ('classifier', classifier)])
    clf.fit(X, y)
    exp = dx.Explainer(clf, X, y)

标签： pythonscikit-learnpipelinedalex

解决方案

为什么会这样？

发生这种情况是因为默认情况下，sklearn'sOneHotEncoder会对数据中的每个类别进行一次热转换。然而，对于像 logit 这样的线性模型，通常最好将其中一个类别排除在外，以避免多重共线性，并使您的结果可以相对于参考点进行解释。在这种情况下，您需要更改编码器的默认设置。

例子

您可以通过设置来实现这一点drop="first"，它会删除一个热编码过程的第一类。下面的示例说明了这将如何在一个简单的示例中起作用。在这里，“女性”类别从一个热门编码中删除，只有“男性”类别被编码，这将返回您期望的结果。请注意，这也适用于非二进制特征。

from sklearn.preprocessing import OneHotEncoder
X = pd.DataFrame({"gender":["male","female","female","male"]})
OHE = OneHotEncoder(drop="first")
OHE.fit_transform(X).toarray()
#[[1.],
# [0.],
# [0.],
# [1.]]
OHE.get_feature_names()
#['x0_male']

你需要做什么

因此，您需要在代码中更改的只是管道定义中的以下行：

'onehot', OneHotEncoder(drop='first', handle_unknown='ignore')

推荐阅读