連續特徵進行離散化的方法介紹與應用例子
阿新 • • 發佈:2018-12-22
RT,尤其在logistic regression上,需要把一些連續特徵進行離散化處理。離散化除了一些計算方面等等好處,還可以引入非線性特性,也可以很方便的做cross-feature。
連續特徵離散化處理有什麼好的方法, 有時候為什麼不直接歸一化?
這裡主要說明監督的變換方法;
連續性變數轉化成離散型變數大致有兩類方法:
(1)卡方檢驗方法;
(2)資訊增益方法;
一: 卡方檢驗方法
1.1 分裂方法
1.2 合併方法
分裂方法,就是找到一個分裂點看,左右2個區間,在目標值上分佈是否有顯著差異,有顯著差異就分裂,否則就忽略。這個點可以每次找差異最大的點。合併類似,先劃分如果很小單元區間,按順序合併在目標值上分佈不顯著的相鄰區間,直到收斂。
二:資訊增益方法
2.1 分裂方法
2.2 合併方法
這個和決策樹的學習很類似。分裂方法,就是找到一個分裂點看,左右2個區間,看分裂前後資訊增益變化閾值,如果差值超過閾值(正值,分列前-分裂後資訊熵),則分裂。每次找差值最大的點做分裂點,直到收斂。合併類似,先劃分如果很小單元區間,按順序合併資訊增益小於閾值的相鄰區間,直到收斂。參考文獻:
1 : csdn部落格:
http://www.cnblogs.com/emanlee/archive/2008/10/25/1319569.html採用資訊增益合併方法的連續特徵離散化程式:
- import numpy as np
-
class
- def __init__(self):
- self.min_interval = 1
- self.min_epos = 0.05
- self.final_bin = []
- def fit(self, x, y, min_interval = 1):
- self.min_interval = min_interval
- x = np.floor(x)
- x = np.int32(x)
-
min_val = np.min(x)
- bin_dict = {}
- bin_li = []
- for i in range(len(x)):
- pos = (x[i] - min_val)/min_interval * min_interval + min_val
- target = y[i]
- bin_dict.setdefault(pos,[0,0])
- if target == 1:
- bin_dict[pos][0] += 1
- else:
- bin_dict[pos][1] += 1
- for key ,val in bin_dict.iteritems():
- t = [key]
- t.extend(val)
- bin_li.append(t)
- bin_li.sort(cmp=None, key=lambda x : x[0], reverse=False)
- print bin_li
- L_index = 0
- R_index = 1
- self.final_bin.append(bin_li[L_index][0])
- whileTrue:
- L = bin_li[L_index]
- R = bin_li[R_index]
- # using infomation gain;
- p1 = L[1]/ (L[1] + L[2] + 0.0)
- p0 = L[2]/ (L[1] + L[2] + 0.0)
- if p1 <= 1e-5or p0 <= 1e-5:
- LGain = 0
- else:
- LGain = -p1*np.log(p1) - p0 * np.log(p0)
- p1 = R[1]/ (R[1] + R[2] + 0.0)
- p0 = R[2]/ (R[1] + R[2] + 0.0)
- if p1 <= 1e-5or p0 <= 1e-5:
- RGain = 0
- else:
- RGain = -p1*np.log(p1) - p0 * np.log(p0)
- p1 = (L[1] + R[1])/ (L[1] + L[2] + R[1] + R[2] + 0.0)
- p0 = (L[2] + R[2])/ (L[1] + L[2] + R[1] + R[2] + 0.0)
- if p1 <= 1e-5or p0 <= 1e-5:
- ALLGain = 0
- else:
- ALLGain = -p1*np.log(p1) - p0 * np.log(p0)
- if np.absolute(ALLGain - LGain - RGain) <= self.min_epos:
- # concat the interval;
- bin_li[L_index][1] += R[1]
- bin_li[L_index][2] += R[2]
- R_index += 1
- else:
- L_index = R_index
- R_index = L_index + 1
- self.final_bin.append(bin_li[L_index][0])
- if R_index >= len(bin_li):
- break
- print'feature bin:',self.final_bin
- def transform(self,x):
- res = []
- for e in x:
- index = self.get_Discretization_index(self.final_bin, e)
- res.append(index)
- res = np.asarray(res)
- return res
- def get_Discretization_index(self ,Discretization_vals, val ):
- index = -1
- for i in range(len(Discretization_vals)):
- e = Discretization_vals[i]
- if val <= e:
- index = i
- break
- return index