1

我在一个主要包含二进制变量的数据集上工作。然而，其中两个是具有多个值（字符串）的分类。我想使用套索应用特征选择，但我有一个错误Keyerror: could not convert string to float:

我应该使用LabelEncoder然后进行功能选择吗？任何想法如何处理这个？

这是我的代码

X = data.iloc[:,:-1]
y = data.iloc[:,-1]

scaler = MinMaxScaler()
scaler.fit(X)
X_scaled = scaler.transform()
selector = SelectFromModel(estimator=LassoCV (cv=5)).fit(X_scaled,y)
selector.get_support()
4

1 回答 1

1

使用 onehot 是有问题的，因为每个类别都将被编码为二进制并将其输入套索不允许选择整个类别变量，这就是我猜测的结果。你也可以看看这篇文章。

您可以在 python中使用组套索实现。下面我使用一个示例数据集：

import pandas as pd
import numpy as np
from sklearn.metrics import r2_score
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder

from group_lasso import GroupLasso
from group_lasso.utils import extract_ohe_groups

import scipy.sparse

data = pd.DataFrame({'cat1':np.random.choice(['A','B','C'],100),
                    'cat2':np.random.choice(['D','E','F'],100),
                    'bin1':np.random.choice([0,1],100),
                    'bin2':np.random.choice([0,1],100)})

data['y'] = 1.5*data['bin1'] + -3*data['bin2'] + 2*(data['cat1'] == 'A').astype('int') + np.random.normal(0,1,100)

定义分类和数字（二进制​​）列。您不需要 min max 缩放器，因为您的值是二进制的。接下来，我们对分类列进行 onehot 编码并提取组：

cat_columns = ['cat1','cat2']
num_columns = ['bin1','bin2']

ohe = OneHotEncoder()
onehot_data = ohe.fit_transform(data[cat_columns])
groups = extract_ohe_groups(ohe)

将 numeric 和 onehot 放在一起，您也可以将它们转换为密集的，但如果数据很大，则可能会出现问题：

X = scipy.sparse.hstack([onehot_data,scipy.sparse.csr_matrix(data[num_columns])])
y = data['y']

同样，构建组：

groups = np.hstack([groups,len(cat_columns) + np.arange(len(num_columns))+1])
groups

运行组套索：

grpLasso = GroupLasso(groups=groups,supress_warning=True,n_iter=1000)

grpLasso.sparsity_mask_
array([ True,  True,  True, False, False, False,  True,  True])

grpLasso.chosen_groups_
{0, 3, 4}

另请查看在管道中使用它的帮助页面。

于 2021-01-29T12:09:15.027 回答