基于树的方法如何处理缺少的特征列？

Question

全,

我已经培训了一个使用xgboost的模型。其中一些特征是一种热编码的货币，例如，它要么是英镑，要么是美元。似乎当我输出特征重要性时，英镑和美元分别排在第7位。

现在我想用这个模型来预测澳大利亚国家是否有违约者，但是这些国家的货币是澳元。因此，当我应用我的特性工程时，它将创建一个列和一次热编码。

由于我的模型没有AUD作为一个功能，它如何处理的功能，已经看不见？我对此不太清楚

Answer 1

You可以使用参数来处理sklearn.preProcessing中名为handle_unknown的未知类。

任何类型编码的<#>Best实践:

您应该只在训练数据上训练一次编码的估计器，而在编码测试数据时，您应该使用与训练数据相同的估计器。

OneHotEn编码器这样做，它有一个名为handle_unknown的参数。

Handle_unknown{“错误”，“忽略”}，缺省=“错误”

如果在转换过程中存在未知的分类特征，则是否引发错误或忽略(默认为引发)。当此参数设置为“忽略”，并且在转换过程中遇到未知类别时，该功能的一个热编码列将为零。在逆变换中，未知范畴将表示为无。

Optimal选项是:您可以使用此参数并将其设置为忽略，以便忽略未知的特征值并避免错误，直到您最终重新训练模型并将新的特性值添加到模型中为止。

from sklearn.preprocessing import OneHotEncoder

ohe=OneHotEncoder(handle_unknown='ignore')

train=ohe.fit_transform(train)

test=ohe.transform(test)