Monodyee

这个屌丝很懒，什么也没留下！

热门标签

sklearn--processing--labelencoder_processing label encoder

作者：Monodyee | 2024-04-12 18:23:41

踩

processing label encoder

1、数据源： http://blog.csdn.net/wiking__acm/article/details/50971461

2、参考： https://www.kaggle.com/jeffd23/titanic/scikit-learn-ml-from-start-to-finish/notebook中随机森林的使用

3、代码：

import pandas as pd

from sklearn import preprocessing

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import train_test_split

from sklearn.model_selection import GridSearchCV

from sklearn.metrics import accuracy_score,make_scorer

train_data = pd.read_csv('D:\\workspace\\kaggle\\data\\zhouzhihua-gua\\train_data.csv')

test_data = pd.read_csv('D:\\workspace\\kaggle\\data\\zhouzhihua-gua\\test_data.csv')

#将数据转化未label（0-N）形式

def encode_features(df_train, df_test):

features = ['色泽', '根蒂', '敲声', '纹理', '脐部', '触感']

df_combined = pd.concat([df_train[features], df_test[features]])

for feature in features:// 对特征从第一个开始进行转化

le = preprocessing.LabelEncoder()

le = le.fit(df_combined[feature])// 把训练集和测试集组合后的特征集拟合label encoder（‘）这个函数

df_train[feature] = le.transform(df_train[feature])

// label encoder中有一个transform函数，把汉字的特征转换成数字序号的特赠，然乎把训练集测试集都转换一下

df_test[feature] = le.transform(df_test[feature])

return df_train, df_test// 返回更改之后的特征集

def simplify_interval_info(df):// 再进行连续特征的分类，甜度和密度，寻找阈值进行

bins_density = (0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8)// 密度分类，每隔0.1

bins_sugar = (0, 0.1, 0.2, 0.3, 0.4, 0.5)// 甜度分类，每个0. 1

group_name_density = [0, 1, 2, 3, 4, 5, 6, 7]// 然后对密度和甜度进行标号，成为标号序列

group_name_sugar = [0, 1, 2, 3, 4]

category_density = pd.cut(df['密度'], bins_density, labels=group_name_density)// 按我的理解就是，把数据按照分的类和标号按照该特征的名字进行分割；比如密度，0.1对应1.含糖率，0.5对应4

categroy_sugar = pd.cut(df['含糖率'], bins_sugar, labels=group_name_sugar)

df['密度'] = category_density

df['含糖率'] = categroy_sugar

return df// 对于连续特增值的处理完结

train_data, test_data = encode_features(train_data, test_data)// 测试集和训练集特征编码

train_data = simplify_interval_info(train_data)

test_data = simplify_interval_info(test_data)

X_all = train_data.drop(['好瓜'], axis=1)// 测试集把结果那一列去掉，drop

y_all = train_data['好瓜']// 测试集结果是否为好瓜

y_result = [1,0,0]

num_test = 0.50

X_train, X_test, y_train, y_test = train_test_split(X_all, y_all, test_size=num_test, random_state=3)// 分割训练集和测试集

# Choose some parameter combinations to try

parameters = {'n_estimators':[5,6,7],

'criterion':['entropy', 'gini']// 信息熵和gini衡量特征信息

}

# Type of scoring used to compare parameter combinations// 然后选择评判分数的评判机制，也就是预测的正确率。

acc_scorer = make_scorer(accuracy_score)

clf = RandomForestClassifier()// 拟合模型为随机森林

# Run the grid search// 搜索方法，网络搜索方法，把相应的参数传进去

grid_obj = GridSearchCV(clf, parameters, scoring=acc_scorer)// 随机森林模型，用信息熵和gini做判别，分数选择

grid_obj = grid_obj.fit(X_train, y_train)// 再把数据写进去进行拟合模型，建立最优化的模型

# Set the clf to the best combination of parameters

clf = grid_obj.best_estimator_// clf：classfunction，在寻找过程中的GridSerachCV，最好的估计传给clf

clf = clf.fit(X_train, y_train)

test_predictions = clf.predict(X_test)// 为什么还要把训练机的数据再去fit一下啊

print("测试集准确率: %s " % accuracy_score(y_test, test_predictions))//训练集正确率

predictions = clf.predict(test_data)

print("最终准确率: %s " % accuracy_score(y_result, predictions))测试集正确率

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Monodyee/article/detail/412049