梯度提升中对分类特征的支持#
在本例中，我们将比较 HistGradientBoostingRegressor 在不同分类特征编码策略下的训练时间和预测性能。具体来说，我们将评估
删除分类特征
使用
OrdinalEncoder并将类别视为有序的、等距的量使用
OrdinalEncoder并依赖 原生类别支持 的HistGradientBoostingRegressor估计器。
我们将使用 Ames Iowa Housing 数据集，该数据集包含数值和分类特征，其中房屋的销售价格是目标。
有关展示 HistGradientBoostingRegressor 一些其他功能的示例，请参阅 直方图梯度提升树中的特征。
加载 Ames Housing 数据集#
首先，我们将 Ames Housing 数据加载为 pandas 数据帧。特征可以是分类的，也可以是数值的
from sklearn.datasets import fetch_openml
X, y = fetch_openml(data_id=42165, as_frame=True, return_X_y=True)
# Select only a subset of features of X to make the example faster to run
categorical_columns_subset = [
"BldgType",
"GarageFinish",
"LotConfig",
"Functional",
"MasVnrType",
"HouseStyle",
"FireplaceQu",
"ExterCond",
"ExterQual",
"PoolQC",
]
numerical_columns_subset = [
"3SsnPorch",
"Fireplaces",
"BsmtHalfBath",
"HalfBath",
"GarageCars",
"TotRmsAbvGrd",
"BsmtFinSF1",
"BsmtFinSF2",
"GrLivArea",
"ScreenPorch",
]
X = X[categorical_columns_subset + numerical_columns_subset]
X[categorical_columns_subset] = X[categorical_columns_subset].astype("category")
categorical_columns = X.select_dtypes(include="category").columns
n_categorical_features = len(categorical_columns)
n_numerical_features = X.select_dtypes(include="number").shape[1]
print(f"Number of samples: {X.shape[0]}")
print(f"Number of features: {X.shape[1]}")
print(f"Number of categorical features: {n_categorical_features}")
print(f"Number of numerical features: {n_numerical_features}")
Number of samples: 1460
Number of features: 20
Number of categorical features: 10
Number of numerical features: 10
删除分类特征的梯度提升估计器#
作为基线，我们创建一个删除分类特征的估计器
from sklearn.compose import make_column_selector, make_column_transformer
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.pipeline import make_pipeline
dropper = make_column_transformer(
("drop", make_column_selector(dtype_include="category")), remainder="passthrough"
)
hist_dropped = make_pipeline(dropper, HistGradientBoostingRegressor(random_state=42))
使用独热编码的梯度提升估计器#
接下来，我们创建一个管道，该管道将对分类特征进行独热编码，并让其余的数值数据通过
from sklearn.preprocessing import OneHotEncoder
one_hot_encoder = make_column_transformer(
(
OneHotEncoder(sparse_output=False, handle_unknown="ignore"),
make_column_selector(dtype_include="category"),
),
remainder="passthrough",
)
hist_one_hot = make_pipeline(
one_hot_encoder, HistGradientBoostingRegressor(random_state=42)
)
使用序数编码的梯度提升估计器#
接下来，我们创建一个管道，该管道将分类特征视为有序量，即类别将被编码为 0、1、2 等，并被视为连续特征。
import numpy as np
from sklearn.preprocessing import OrdinalEncoder
ordinal_encoder = make_column_transformer(
(
OrdinalEncoder(handle_unknown="use_encoded_value", unknown_value=np.nan),
make_column_selector(dtype_include="category"),
),
remainder="passthrough",
# Use short feature names to make it easier to specify the categorical
# variables in the HistGradientBoostingRegressor in the next step
# of the pipeline.
verbose_feature_names_out=False,
)
hist_ordinal = make_pipeline(
ordinal_encoder, HistGradientBoostingRegressor(random_state=42)
)
使用原生分类支持的梯度提升估计器#
我们现在创建一个 HistGradientBoostingRegressor 估计器，它将原生处理分类特征。此估计器不会将分类特征视为有序量。我们将 categorical_features="from_dtype" 设置为从 DataFrame 列的 dtype 中检测哪些特征是分类特征。
此估计器与前一个估计器的主要区别在于，在此估计器中，我们让 HistGradientBoostingRegressor 从 DataFrame 列的 dtype 中检测哪些特征是分类特征。
hist_native = HistGradientBoostingRegressor(
random_state=42, categorical_features="from_dtype"
)
模型比较#
最后，我们使用交叉验证来评估模型。在这里，我们比较了模型在 平均绝对百分比误差 和拟合时间方面的性能。
import matplotlib.pyplot as plt
from sklearn.model_selection import cross_validate
scoring = "neg_mean_absolute_percentage_error"
n_cv_folds = 3
dropped_result = cross_validate(hist_dropped, X, y, cv=n_cv_folds, scoring=scoring)
one_hot_result = cross_validate(hist_one_hot, X, y, cv=n_cv_folds, scoring=scoring)
ordinal_result = cross_validate(hist_ordinal, X, y, cv=n_cv_folds, scoring=scoring)
native_result = cross_validate(hist_native, X, y, cv=n_cv_folds, scoring=scoring)
def plot_results(figure_title):
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 8))
plot_info = [
("fit_time", "Fit times (s)", ax1, None),
("test_score", "Mean Absolute Percentage Error", ax2, None),
]
x, width = np.arange(4), 0.9
for key, title, ax, y_limit in plot_info:
items = [
dropped_result[key],
one_hot_result[key],
ordinal_result[key],
native_result[key],
]
mape_cv_mean = [np.mean(np.abs(item)) for item in items]
mape_cv_std = [np.std(item) for item in items]
ax.bar(
x=x,
height=mape_cv_mean,
width=width,
yerr=mape_cv_std,
color=["C0", "C1", "C2", "C3"],
)
ax.set(
xlabel="Model",
title=title,
xticks=x,
xticklabels=["Dropped", "One Hot", "Ordinal", "Native"],
ylim=y_limit,
)
fig.suptitle(figure_title)
plot_results("Gradient Boosting on Ames Housing")
我们看到，使用独热编码数据的模型是迄今为止最慢的。这是意料之中的，因为独热编码为每个类别值（对于每个分类特征）创建一个额外的特征，因此在拟合过程中需要考虑更多的分割点。从理论上讲，我们预计原生处理分类特征的速度会略慢于将类别视为有序量（“序数”），因为原生处理需要 对类别进行排序。然而，当类别数量较少时，拟合时间应该接近，这在实践中可能并不总是得到反映。
在预测性能方面，删除分类特征会导致性能下降。使用分类特征的三个模型具有相当的错误率，原生处理略有优势。
限制分割次数#
一般来说，可以预期独热编码数据的预测效果较差，尤其是在树深度或节点数量有限的情况下：对于独热编码数据，需要更多的分割点，即更大的深度，才能恢复与原生处理在一个分割点中获得的等效分割。
当类别被视为序数量时也是如此：如果类别是 A..F 并且最佳分割是 ACF - BDE，则独热编码器模型将需要 3 个分割点（左侧节点中每个类别一个），而序数非原生模型将需要 4 个分割点：1 个分割点用于隔离 A，1 个分割点用于隔离 F，以及 2 个分割点用于从 BCDE 中隔离 C。
模型性能在实践中的差异程度取决于数据集和树的灵活性。
为了说明这一点，让我们使用欠拟合模型重新运行相同的分析，在这些模型中，我们通过限制树的数量和每棵树的深度来人为地限制总分裂次数。
for pipe in (hist_dropped, hist_one_hot, hist_ordinal, hist_native):
if pipe is hist_native:
# The native model does not use a pipeline so, we can set the parameters
# directly.
pipe.set_params(max_depth=3, max_iter=15)
else:
pipe.set_params(
histgradientboostingregressor__max_depth=3,
histgradientboostingregressor__max_iter=15,
)
dropped_result = cross_validate(hist_dropped, X, y, cv=n_cv_folds, scoring=scoring)
one_hot_result = cross_validate(hist_one_hot, X, y, cv=n_cv_folds, scoring=scoring)
ordinal_result = cross_validate(hist_ordinal, X, y, cv=n_cv_folds, scoring=scoring)
native_result = cross_validate(hist_native, X, y, cv=n_cv_folds, scoring=scoring)
plot_results("Gradient Boosting on Ames Housing (few and small trees)")
plt.show()
这些欠拟合模型的结果证实了我们之前的直觉：当分裂预算受到限制时，原生类别处理策略表现最佳。另外两种策略（独热编码和将类别视为序数值）导致的误差值与仅完全删除类别特征的基线模型相当。
脚本总运行时间：（0 分钟 27.703 秒）
相关示例
