Использование onehot проблематично, потому что каждая категория будет закодирована как двоичная, а ввод ее в лассо не позволяет выбрать категориальную переменную в целом, что, как я думаю, вам нужно. Вы также можете проверить этот сообщение.
Вы можете использовать реализацию группового лассо в Python. Ниже я использую пример набора данных:
import pandas as pd
import numpy as np
from sklearn.metrics import r2_score
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from group_lasso import GroupLasso
from group_lasso.utils import extract_ohe_groups
import scipy.sparse
data = pd.DataFrame({'cat1':np.random.choice(['A','B','C'],100),
'cat2':np.random.choice(['D','E','F'],100),
'bin1':np.random.choice([0,1],100),
'bin2':np.random.choice([0,1],100)})
data['y'] = 1.5*data['bin1'] + -3*data['bin2'] + 2*(data['cat1'] == 'A').astype('int') + np.random.normal(0,1,100)
Определите категориальные и числовые (двоичные) столбцы. Вам не нужен масштабатор min max, поскольку ваши значения являются двоичными. Затем мы сразу кодируем категориальные столбцы и извлекаем группы:
cat_columns = ['cat1','cat2']
num_columns = ['bin1','bin2']
ohe = OneHotEncoder()
onehot_data = ohe.fit_transform(data[cat_columns])
groups = extract_ohe_groups(ohe)
Соедините numeric и onehot вместе, вы также можете преобразовать их в плотные, но это может быть проблематично, если данные огромны:
X = scipy.sparse.hstack([onehot_data,scipy.sparse.csr_matrix(data[num_columns])])
y = data['y']
Аналогично сформируйте группы:
groups = np.hstack([groups,len(cat_columns) + np.arange(len(num_columns))+1])
groups
Запускаем групповое лассо:
grpLasso = GroupLasso(groups=groups,supress_warning=True,n_iter=1000)
grpLasso.sparsity_mask_
array([ True, True, True, False, False, False, True, True])
grpLasso.chosen_groups_
{0, 3, 4}
Ознакомьтесь также с справочная страница для использования в конвейере.
person
StupidWolf
schedule
29.01.2021