作者 | CDA数据分析师
像Keras中的机器学习和深度学习模型一样，要求所有输入和输出变量均为数字。
这意味着，如果你的数据包含分类数据，则必须先将其编码为数字，然后才能拟合和评估模型。
两种最流行的技术是整数编码和一种热编码，尽管一种称为学习嵌入的较新技术可能在这两种方法之间提供了有用的中间立场。
在本教程中，您将发现在Keras中开发神经网络模型时如何编码分类数据。
完成本教程后，您将知道：
让我们开始吧。
本教程分为五个部分。分别是：
类别变量是其值采用标签值的变量。
例如，变量可以是“ color ”，并且可以取值“ red ”，“ green ”和“ blue”。
有时，分类数据可能在类别之间具有排序的关系，例如“ 第一 ”，“ 第二 ”和“ 第三”。这种类型的分类数据称为序数，并且其他排序信息可能很有用。
这意味着必须先将分类数据编码为数字，然后才能使用它来拟合和评估模型。
有多种编码分类变量以进行建模的方法，尽管最常见的三种方法如下：
我们将仔细研究如何使用以下每种方法对分类数据进行编码，以在Keras中训练深度学习神经网络。
作为本教程的基础，我们将使用自1980年代以来在机器学习中广泛研究的所谓“ 乳腺癌 ”数据集。
该数据集将乳腺癌患者数据分类为癌症复发或无复发。有286个示例和9个输入变量。这是一个二进制分类问题。
该数据集上合理的分类准确性得分在68％到73％之间。我们将针对该区域，但请注意，本教程中的模型并未经过优化：它们旨在演示编码方案。
查看数据，我们可以看到所有九个输入变量都是分类的。
具体来说，所有变量都用引号引起来；有些是序数，有些不是。
'40-49','premeno','15-19','0-2','yes','3','right','left_up','no','recurrence-events' '50-59','ge40','15-19','0-2','no','1','right','central','no','no-recurrence-events' '50-59','ge40','35-39','0-2','no','2','left','left_low','no','recurrence-events' '40-49','premeno','35-39','0-2','yes','3','right','left_low','yes','no-recurrence-events' '40-49','premeno','30-34','3-5','yes','2','left','right_up','no','recurrence-events'
我们可以使用Pandas库将该数据集加载到内存中。
# load the dataset as a pandas DataFrame data = read_csv(filename, header=None) # retrieve numpy array dataset = data.values
加载后，我们可以将列分为输入（X）和输出（y）进行建模。
# split into input (X) and output (y) variables X = dataset[:, :-1] y = dataset[:,-1]
最后，我们可以将输入数据中的所有字段都强制为字符串，以防万一熊猫试图将某些字段自动映射为数字（确实如此）。
我们还可以将输出变量整形为一列（例如2D形状）。
# format all fields as string X = X.astype(str) # reshape target to be a 2d array y = y.reshape((len(y), 1))
我们可以将所有这些结合到一个有用的功能中，以备后用。
# load the dataset def load_dataset(filename): # load the dataset as a pandas DataFrame data = read_csv(filename, header=None) # retrieve numpy array dataset = data.values # split into input (X) and output (y) variables X = dataset[:, :-1] y = dataset[:,-1] # format all fields as string X = X.astype(str) # reshape target to be a 2d array y = y.reshape((len(y), 1)) return X, y
加载后，我们可以将数据分为训练集和测试集，以便我们可以拟合和评估深度学习模型。
我们将使用scikit-learn中的train_test_split（）函数，并将67％的数据用于训练，将33％的数据用于测试。
# load the dataset X, y = load_dataset('breast-cancer.csv') # split into train and test sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=1)
将所有这些元素结合在一起，下面列出了加载，拆分和汇总原始分类数据集的完整示例。
# load and summarize the dataset from pandas import read_csv from sklearn.model_selection import train_test_split # load the dataset def load_dataset(filename): # load the dataset as a pandas DataFrame data = read_csv(filename, header=None) # retrieve numpy array dataset = data.values # split into input (X) and output (y) variables X = dataset[:, :-1] y = dataset[:,-1] # format all fields as string X = X.astype(str) # reshape target to be a 2d array y = y.reshape((len(y), 1)) return X, y # load the dataset X, y = load_dataset('breast-cancer.csv') # split into train and test sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=1) # summarize print('Train', X_train.shape, y_train.shape) print('Test', X_test.shape, y_test.shape)
运行示例将报告训练和测试集的输入和输出元素的大小。
我们可以看到，我们有191个示例用于培训，而95个用于测试。
Train (191, 9) (191, 1) Test (95, 9) (95, 1)
既然我们已经熟悉了数据集，那么让我们看一下如何对它进行编码以进行建模。
顺序编码涉及将每个唯一标签映射到整数值。
这样，有时将其简称为整数编码。
这种类型的编码实际上仅在类别之间存在已知关系时才适用。
数据集中的某些变量确实存在这种关系，理想情况下，在准备数据时应利用此关系。
在这种情况下，我们将忽略任何可能存在的序数关系，并假定所有变量都是类别变量。至少将序数编码用作其他编码方案的参考点仍然会有所帮助。
我们可以使用scikit-learn的scikit-learn将每个变量编码为整数。这是一个灵活的类，并且允许将类别的顺序指定为参数（如果已知这样的顺序）。
注意：我将作为练习来更新以下示例，以尝试为具有自然顺序的变量指定顺序，并查看其是否对模型性能产生影响。
对变量进行编码的最佳实践是使编码适合训练数据集，然后将其应用于训练和测试数据集。
下面的函数prepare_inputs（），获取训练和测试集的输入数据，并使用序数编码对其进行编码。
# prepare input data def prepare_inputs(X_train, X_test): oe = OrdinalEncoder() oe.fit(X_train) X_train_enc = oe.transform(X_train) X_test_enc = oe.transform(X_test) return X_train_enc, X_test_enc
我们还需要准备目标变量。
这是一个二进制分类问题，因此我们需要将两个类标签映射到0和1。
这是一种序数编码，scikit-learn提供了为此专门设计的LabelEncoder类。尽管LabelEncoder设计用于编码单个变量，但我们可以轻松使用OrdinalEncoder并获得相同的结果。
在（）prepare_targets整数编码的训练集和测试集的输出数据。
# prepare target def prepare_targets(y_train, y_test): le = LabelEncoder() le.fit(y_train) y_train_enc = le.transform(y_train) y_test_enc = le.transform(y_test) return y_train_enc, y_test_enc
我们可以调用这些函数来准备我们的数据。
# prepare input data X_train_enc, X_test_enc = prepare_inputs(X_train, X_test) # prepare output data y_train_enc, y_test_enc = prepare_targets(y_train, y_test)
现在我们可以定义一个神经网络模型。
在所有这些示例中，我们将使用相同的通用模型。具体来说，是一种多层感知器（MLP）神经网络，其中的一个隐藏层具有10个节点，而输出层中的一个节点用于进行二进制分类。
无需赘述，下面的代码定义了模型，将其拟合在训练数据集上，然后在测试数据集上对其进行了评估。
# define the model model = Sequential() model.add(Dense(10, input_dim=X_train_enc.shape[1], activation='relu', kernel_initializer='he_normal')) model.add(Dense(1, activation='sigmoid')) # compile the keras model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # fit the keras model on the dataset model.fit(X_train_enc, y_train_enc, epochs=100, batch_size=16, verbose=2) # evaluate the keras model _, accuracy = model.evaluate(X_test_enc, y_test_enc, verbose=0) print('Accuracy: %.2f' % (accuracy*100))
综合所有这些，下面列出了使用序数编码准备数据并拟合和评估数据上的神经网络的完整示例。
# example of ordinal encoding for a neural network from pandas import read_csv from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import OrdinalEncoder from keras.models import Sequential from keras.layers import Dense # load the dataset def load_dataset(filename): # load the dataset as a pandas DataFrame data = read_csv(filename, header=None) # retrieve numpy array dataset = data.values # split into input (X) and output (y) variables X = dataset[:, :-1] y = dataset[:,-1] # format all fields as string X = X.astype(str) # reshape target to be a 2d array y = y.reshape((len(y), 1)) return X, y # prepare input data def prepare_inputs(X_train, X_test): oe = OrdinalEncoder() oe.fit(X_train) X_train_enc = oe.transform(X_train) X_test_enc = oe.transform(X_test) return X_train_enc, X_test_enc # prepare target def prepare_targets(y_train, y_test): le = LabelEncoder() le.fit(y_train) y_train_enc = le.transform(y_train) y_test_enc = le.transform(y_test) return y_train_enc, y_test_enc # load the dataset X, y = load_dataset('breast-cancer.csv') # split into train and test sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=1) # prepare input data X_train_enc, X_test_enc = prepare_inputs(X_train, X_test) # prepare output data y_train_enc, y_test_enc = prepare_targets(y_train, y_test) # define the model model = Sequential() model.add(Dense(10, input_dim=X_train_enc.shape[1], activation='relu', kernel_initializer='he_normal')) model.add(Dense(1, activation='sigmoid')) # compile the keras model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # fit the keras model on the dataset model.fit(X_train_enc, y_train_enc, epochs=100, batch_size=16, verbose=2) # evaluate the keras model _, accuracy = model.evaluate(X_test_enc, y_test_enc, verbose=0) print('Accuracy: %.2f' % (accuracy*100))
在任何现代硬件（无需GPU）上运行示例，只需几秒钟即可使模型适应模型。
在每个训练时期结束时报告模型的损失和准确性，最后报告测试数据集上模型的准确性。
鉴于学习算法的随机性，您的具体结果会有所不同。尝试运行该示例几次。
在这种情况下，我们可以看到该模型在测试数据集上达到了约70％的精度。
不错，因为只有某些输入变量存在序数关系，对于某些输入变量才存在序数关系，因此在编码中不遵循序数关系。
... Epoch 95/100 - 0s - loss: 0.5349 - acc: 0.7696 Epoch 96/100 - 0s - loss: 0.5330 - acc: 0.7539 Epoch 97/100 - 0s - loss: 0.5316 - acc: 0.7592 Epoch 98/100 - 0s - loss: 0.5302 - acc: 0.7696 Epoch 99/100 - 0s - loss: 0.5291 - acc: 0.7644 Epoch 100/
数据分析咨询请扫描二维码
CDA持证人Louis CDA持证人基本情况 我大学是在一个二线城市的一所普通二本院校读的，专业是旅游管理，非计算机非统计学。毕业之 ...
2024-12-18最近，知乎上有个很火的话题：“一个人为何会陷入社会底层”？ 有人说，这个世界上只有一个分水岭，就是“羊水”；还有人说，一 ...
2024-12-18在这个数据驱动的时代，数据分析师的技能需求快速增长。掌握适当的编程语言不仅能增强分析能力，还能帮助分析师从海量数据中提取 ...
2024-12-17在当今信息爆炸的时代，数据分析已经成为许多行业中不可或缺的一部分。想要在这个领域脱颖而出，除了热情和毅力外，你还需要掌握 ...
2024-12-17数据分析，是一项通过科学方法处理数据以获取洞察并支持决策的艺术。无论是在商业环境中提升业绩，还是在科研领域推动创新，数据 ...
2024-12-17在数据分析领域，图表是我们表达数据故事的重要工具。它们不仅让数据变得更加直观，也帮助我们更好地理解数据中的趋势和模式。相 ...
2024-12-16在当今社会，我们身处着一个飞速发展、变化迅猛的时代。不同行业在科技进步、市场需求和政策支持的推动下蓬勃发展，呈现出令人瞩 ...
2024-12-16在现代商业世界中，数据分析师扮演着至关重要的角色。他们通过解析海量数据，为企业战略决策提供有力支持。要有效完成这项任务， ...
2024-12-16在当今数据爆炸的时代，数据分析师是组织中不可或缺的导航者。他们通过从大量数据中提取可操作的洞察力，帮助企业在竞争激烈的市 ...
2024-12-16在现代企业中，数据分析师扮演着至关重要的角色。他们不仅负责处理和分析大量的数据，还需要将这些分析结果转化为切实可行的商业 ...
2024-12-16在当今的大数据时代，数据分析已经成为推动企业战略的重要组成部分。无论是金融、医疗、零售，还是制造业，各个行业对数据分析的 ...
2024-12-16在当今这个以数据为驱动力的时代，数据分析领域正在迅速扩展与发展。随着大数据、人工智能和机器学习技术的不断进步，数据分析已 ...
2024-12-16在信息爆炸和数据驱动的时代，数据分析专业是否值得一选成为许多人思考的议题。无论是刚刚迈入大学校门的新生，还是考虑职业转型 ...
2024-12-16适合数据分析专业学生的实习岗位有很多，以下是一些推荐： 阿里巴巴数据分析岗位实习：适合经济、统计学、数学及计算机专业的 ...
2024-12-16在数据科学领域，探索实习机会是一个理想的学习和成长方式。实习不仅可以提供宝贵的实践经验，还能帮助学生发展关键的数据分析技 ...
2024-12-16在当今信息驱动的时代，数据分析不仅成为了企业决策的重要一环，还催生了各种职业机会。从技术到业务，数据分析专业的就业岗位种 ...
2024-12-16在现代企业中，数据分析师被誉为“数据探险家”，他们通过揭示隐藏在数据背后的故事，帮助公司优化业务策略和做出明智的决策。然 ...
2024-12-16在大数据崛起的时代，数据分析师被誉为企业的“幕后英雄”。他们通过解读数据，揭示隐藏的真相，为企业战略提供重要的指导。这份 ...
2024-12-16在这个信息大爆炸的时代，数据分析师成为了企业中的“福尔摩斯”，他们能够从庞杂的数据中提取关键洞察，为业务发展提供坚实支持 ...
2024-12-16在这个数据为王的现代社会，数据分析师如同企业的导航员，洞悉数据背后所隐藏的商业机会和战略优势。然而，成为一名优秀的数据分 ...
2024-12-16
