R dummy / onehot-кодирование с фиксированной структурой столбцов - PullRequest
0 голосов
/ 23 декабря 2018

Предположим, что мой набор данных для обучения машинному обучению содержит 3 столбца с категориями до 50 различных уровней.Я горячо кодирую столбцы.Тестовый набор данных имеет только одну строку.Как я могу сохранить структуру обучающего набора данных при кодировании тестового набора данных?

Все отлично работает для обучающих данных ...

v1 <- factor(c("a","b","c","a"))
v2 <- factor(c("A","A","B","C"))
train <- data.frame(v1 = v1,v2 = v2)
train_dummy <- as.data.frame(model.matrix(~ v1 + v2 -1 , data=train, 
    contrasts.arg=list(v1=contrasts(train$v1, contrasts=F), 
            v2=contrasts(train$v2, contrasts=F))))
print(train)
v1 v2
a  A
b  A
c  B
a  C

print(train_dummy )
v1a v1b v1c v2A v2B v2C
1   0   0   1   0   0
0   1   0   1   0   0
0   0   1   0   1   0
1   0   0   0   0   1

... но для тестовых данных не получается.Когда я пытаюсь применить уровни фактора обучающих данных к тестовым данным, это не работает:

test <-  data.frame(v1 = factor("a"),v2 = factor("A"))
test_dummy <- as.data.frame(model.matrix(~ v1 + v2 -1 , data=test, 
    contrasts.arg=list(v1=contrasts(train$v1, contrasts=F), 
            v2=contrasts(train$v2, contrasts=F))))
Error in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) : 
  contrasts can be applied only to factors with 2 or more levels

Конечно, я могу Row связать обучающие и тестовые данные, а затем выполнить фиктивное кодирование, но это рабочий коди я не могу принять это как единственное решение:

train_test <- rbind(train,test)
train_test_dummy <- as.data.frame(model.matrix(~ v1 + v2 -1 , data=train_test, 
     contrasts.arg=list(v1=contrasts(train_test$v1, contrasts=F), 
          v2=contrasts(train_test$v2, contrasts=F))))

print(train_test_dummy)
v1a v1b v1c v2A v2B v2C
1   0   0   1   0   0
0   1   0   1   0   0
0   0   1   0   1   0
1   0   0   0   0   1
1   0   0   1   0   0

Есть ли что-нибудь лучше?

Это дубликат , но на вопрос не ответили, а все остальные вопросы касаются только создания фиктивных переменных из одного набора данных.

1 Ответ

0 голосов
/ 23 декабря 2018

Если дополнительно добавить

levels(test$v1) <- levels(train$v1)
levels(test$v2) <- levels(train$v2)

или в одну строку, если все столбцы являются факторами,

test[] <- Map(function(x, y) factor(x, level = levels(y)), test, train)

и если только некоторые из них являются факторами,

test[] <- Map(function(x, y) if(is.factor(x)) factor(x, level = levels(y)) else x, test, train)

Тогда конечный результат будет по необходимости:

test_dummy
#   v1a v1b v1c v2A v2B v2C
# 1   1   0   0   1   0   0
...