Krok 0: Opis problemu
mam problem klasyfikacji, czyli chcę przewidywać binarny cel w oparciu o zbiór cech liczbowych za pomocą regresji logistycznej, a po uruchomieniu Analiza głównych składowych (PCA).klasyfikacja: PCA i regresji logistycznej używając sklearn
Mam 2 zestawy danych: df_train
i df_valid
(odpowiednio zestaw treningowy i zestaw sprawdzania poprawności) jako ramka danych pand, zawierającą funkcje i cel. Jako pierwszy krok użyłem funkcji pandy, aby przekształcić wszystkie zmienne kategoryczne na boolean. Na przykład, chciałbym mieć:
n_train = 10
np.random.seed(0)
df_train = pd.DataFrame({"f1":np.random.random(n_train), \
"f2": np.random.random(n_train), \
"f3":np.random.randint(0,2,n_train).astype(bool),\
"target":np.random.randint(0,2,n_train).astype(bool)})
In [36]: df_train
Out[36]:
f1 f2 f3 target
0 0.548814 0.791725 False False
1 0.715189 0.528895 True True
2 0.602763 0.568045 False True
3 0.544883 0.925597 True True
4 0.423655 0.071036 True True
5 0.645894 0.087129 True False
6 0.437587 0.020218 True True
7 0.891773 0.832620 True False
8 0.963663 0.778157 False False
9 0.383442 0.870012 True True
n_valid = 3
np.random.seed(1)
df_valid = pd.DataFrame({"f1":np.random.random(n_valid), \
"f2": np.random.random(n_valid), \
"f3":np.random.randint(0,2,n_valid).astype(bool),\
"target":np.random.randint(0,2,n_valid).astype(bool)})
In [44]: df_valid
Out[44]:
f1 f2 f3 target
0 0.417022 0.302333 False False
1 0.720324 0.146756 True False
2 0.000114 0.092339 True True
chciałbym teraz zastosować PCA zmniejszenie wymiarowości mojego problemu, a następnie użyć LogisticRegression
z sklearn trenować i uzyskać prognozy na mój zestaw walidacji, ale nie jestem upewnij się, że procedura którą obserwuję jest prawidłowa. Oto co mam zrobić:
Krok 1: PCA
Chodzi o to, że trzeba przekształcić zarówno mój trening i walidacja ustawić ten sam sposób z PCA. Innymi słowy, mogę nie wykonać PCA oddzielnie. W przeciwnym razie będą wyświetlane na różnych wektorach własnych.
from sklearn.decomposition import PCA
pca = PCA(n_components=2) #assume to keep 2 components, but doesn't matter
newdf_train = pca.fit_transform(df_train.drop("target", axis=1))
newdf_valid = pca.transform(df_valid.drop("target", axis=1)) #not sure here if this is right
Krok 2: Regresja logistyczna
To nie jest konieczne, ale wolę zachować rzeczy jak dataframe:
features_train = pd.DataFrame(newdf_train)
features_valid = pd.DataFrame(newdf_valid)
I teraz wykonać regresji logistycznej
from sklearn.linear_model import LogisticRegression
cls = LogisticRegression()
cls.fit(features_train, df_train["target"])
predictions = cls.predict(features_valid)
I uważam, że krok 2 jest poprawny, ale mam więcej wątpliwości na temat kroku 1: jest to sposób, w jaki powinienem łączyć PCA, a następnie klasyfikator?
Nie widzę problemu z procedurą. A co z twoimi wynikami? Czy otrzymujesz oczekiwany wynik? – Riyaz
Jednym z nieoczekiwanych zachowań na moich danych (innych niż tutaj pokazany przykład) jest to, że gdy zwiększam liczbę składników w funkcji PCA, moja matryca jest coraz gorsza! Zastanawiałem się również, czy "dummifying" zbyt wiele zmiennych kategorialnych nie ma żadnego wpływu na wyniki? Czy powinienem wykluczyć kolumnę "docelową" podczas PCA? – ldocao
Cel nie jest częścią Twoich danych. Wyklucz etykiety docelowe podczas korzystania z PCA. W przypadku danych kategorycznych powinieneś użyć jednej gorącej reprezentacji zaimplementowanej w sklearn. – Riyaz