使用 KBinsDiscretizer 对连续特征进行离散化#

本示例比较了线性回归（线性模型）和决策树（基于树的模型）在对实值特征进行离散化前后预测结果。

如离散化前结果所示，线性模型构建速度快，解释起来也比较直观，但只能模拟线性关系，而决策树可以构建更复杂的模型。使线性模型在连续数据上更强大的方法之一是使用离散化（也称为分箱）。在本例中，我们对特征进行离散化，并对转换后的数据进行独热编码。需要注意的是，如果箱子的宽度不合理，就会出现过度拟合的风险，因此通常需要在交叉验证下调整离散化参数。

离散化后，线性回归和决策树的预测结果完全相同。由于特征在每个箱子内是恒定的，任何模型都必须对箱子内的所有点预测相同的值。与离散化前的结果相比，线性模型变得更加灵活，而决策树变得不那么灵活。需要注意的是，对树模型来说，对特征进行分箱通常没有益处，因为这些模型可以学习在任何地方分割数据。

Result before discretization, Result after discretization

# Author: Andreas Müller
#         Hanmin Qin <[email protected]>
# License: BSD 3 clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import KBinsDiscretizer
from sklearn.tree import DecisionTreeRegressor

# construct the dataset
rnd = np.random.RandomState(42)
X = rnd.uniform(-3, 3, size=100)
y = np.sin(X) + rnd.normal(size=len(X)) / 3
X = X.reshape(-1, 1)

# transform the dataset with KBinsDiscretizer
enc = KBinsDiscretizer(n_bins=10, encode="onehot")
X_binned = enc.fit_transform(X)

# predict with original dataset
fig, (ax1, ax2) = plt.subplots(ncols=2, sharey=True, figsize=(10, 4))
line = np.linspace(-3, 3, 1000, endpoint=False).reshape(-1, 1)
reg = LinearRegression().fit(X, y)
ax1.plot(line, reg.predict(line), linewidth=2, color="green", label="linear regression")
reg = DecisionTreeRegressor(min_samples_split=3, random_state=0).fit(X, y)
ax1.plot(line, reg.predict(line), linewidth=2, color="red", label="decision tree")
ax1.plot(X[:, 0], y, "o", c="k")
ax1.legend(loc="best")
ax1.set_ylabel("Regression output")
ax1.set_xlabel("Input feature")
ax1.set_title("Result before discretization")

# predict with transformed dataset
line_binned = enc.transform(line)
reg = LinearRegression().fit(X_binned, y)
ax2.plot(
    line,
    reg.predict(line_binned),
    linewidth=2,
    color="green",
    linestyle="-",
    label="linear regression",
)
reg = DecisionTreeRegressor(min_samples_split=3, random_state=0).fit(X_binned, y)
ax2.plot(
    line,
    reg.predict(line_binned),
    linewidth=2,
    color="red",
    linestyle=":",
    label="decision tree",
)
ax2.plot(X[:, 0], y, "o", c="k")
ax2.vlines(enc.bin_edges_[0], *plt.gca().get_ylim(), linewidth=1, alpha=0.2)
ax2.legend(loc="best")
ax2.set_xlabel("Input feature")
ax2.set_title("Result after discretization")

plt.tight_layout()
plt.show()

脚本总运行时间：（0 分钟 0.282 秒）