如何使用category_encoder包获取二进制编码的原始值

Question

我有一个数据集，其中包括100多个国家。我想将这些包含在XGBoost模型中，以进行分类预测。我知道One热编码是解决这个问题的首选方法，但我宁愿做一些不会增加太多维数并且对新值有弹性的事情，所以我尝试使用category_encoders包进行二进制分类。http://contrib.scikit-learn.org/categorical-encoding/binary.html

使用此编码帮助我的模型摆脱了使用基本的one-hot编码，但编码后如何返回到原始标签？

我知道inverse_transform方法，但它在整个数据帧上起作用。我需要一种方法，我可以把一个二进制值，或整数值，并返回原始值。

以下是取自：https://towardsdatascience.com/smarter-ways-to-encode-categorical-data-for-machine-learning-part-1-of-3-6dca2f71b159的一些示例数据

import numpy as np
import pandas as pd
import category_encoders as ce

# make some data
df = pd.DataFrame({
 'color':["a", "c", "a", "a", "b", "b"], 
 'outcome':[1, 2, 3, 2, 2, 2]})

# split into X and y
X = df.drop('outcome', axis = 1)
y = df.drop('color', axis = 1)

# instantiate an encoder - here we use Binary()
ce_binary = ce.BinaryEncoder(cols = ['color'])

# fit and transform and presto, you've got encoded data
ce_binary.fit_transform(X, y)

​

​

我想将值[0,0,1]或1传递给一个函数，然后以值的形式返回a。

这样做的主要原因是为了查看模型的功能重要性。我可以获得基于列的特征重要性，但这将返回一个列id，而不是最重要的类别的底层值。

Answer 1

请注意，您参考的文章建议仅对序数数据使用二进制编码器-即具有关联顺序(小、中、大)的离散数据，而不是名义数据(红、白、蓝)。

如果您决定使用二进制编码器，颜色(或国家)的编码顺序将影响您的性能。例如，假设red=001、white=010和blue=011。当您应用ML算法时，它将看到红色和蓝色有一个共同的特征(特征3)。这可能不是您想要的。

在应用逆变换方面，您需要将逆变换应用于上面示例中的0,0,1，而不是"1“。"1“没有上下文是没有意义的。您应该能够将逆转换应用于数据中的单个记录(行)，但不能应用于单个列。逆定标器将需要对具有变压器输出尺寸的对象进行操作。