我在用sklearn.Ensement.GradientBoostingRegressor训练模特。在
我的数据集包括异构变量,包括数值变量和类别变量。由于sklearn不支持类别变量,所以在输入回归之前,我使用DictVectorizer转换这些分类特征。下面是我的一段代码:
# process numeric and categorical variables separately
lsNumericColumns = []
lsCategoricalColumns = []
for col in dfTrainingSet.columns:
if (dfTrainingSet[col].dtype == np.object):
lsCategoricalColumns.append(col)
else:
lsNumericColumns.append(col)
# numeric columns
dfNumVariables = dfTrainingSet.loc[:, lsNumericColumns]
dfNumVariables.fillna(0, inplace=True)
arrNumVariables = dfNumVariables.as_matrix()
# categorical columns
dfCateVariables = dfTrainingSet.loc[:,lsCategoricalColumns]
dfCateVariables.fillna('NA', inplace=True)
vectorizer = DictVectorizer(sparse=False)
arrCateFeatures = vectorizer.fit_transform(dfCateVariables.T.to_dict().values())
# setup training set
arrX = np.concatenate((arrNumVariables,arrCateFeatures), axis=1)
arrY = dfData['Y'].values
然后,训练模型并输出特征重要性:
^{pr2}$这将给我一个(feature_index,feature_importance)元组的列表。但是,我发现这个特征索引不是原来的特征索引,因为一个分类列可以转换成多个列。
我知道我可以从DictVectorizer得到矢量化的特征名称,但是如何才能发现原始特征的重要性?
我能不能把对应于同一原始特征的矢量化特征的重要性相加,得到原始特征的重要性?在
您可以通过
这给出了一个(feature,importance)对的列表,其中features的形式是}输出中的顺序匹配。在
'name=value'
,而对于最初的数字特征,特征的形式是'name=value'
。保证get_feature_names
输出中的出现顺序与transform
或{老实说,我不确定原始范畴的特征重要性;我会尝试取平均值,而不是求和。在
相关问题 更多 >
编程相关推荐