通常您不想删除信息。您希望在模型中预先包装这些信息。例如,您可能有一些具有NaN值的数据:train_data = ['NewYork', 'Chicago', NaN]
解决方案1
你可能会有一种方法来处理这个问题,不管你是插补还是删除等等。。这取决于你的问题。通常,你可以让NaN成为它自己的类别,因为这也是信息。这样就足够了:
^{pr2}$
因此,当您进入生产阶段时,您可以编写一个脚本,将看不见的类别推送到您先前建立的“缺失”类别中。在
解决方案2
如果你对这个想法不满意,你可以把这些不寻常的案例变成一个新的独特的类别,我们称之为“罕见”,因为它并不经常出现。在train_data = ['NewYork', 'Chicago', 'NewYork', 'Chicago', 'London']
# let's capture the categorical variables first
cat_vars = [var for var in X_train.columns if X_train[var].dtype == 'O']
def find_frequent_labels(df, var, rare_perc):
df = df.copy()
tmp = df.groupby(var)['Target_Variable'].count() / len(df)
return tmp[tmp>rare_perc].index
for var in cat_vars:
frequent_ls = find_frequent_labels(X_train, var, 0.01)
X_train[var] = np.where(X_train[var].isin(frequent_ls), X_train[var], 'Rare')
X_test[var] = np.where(X_test[var].isin(frequent_ls), X_test[var], 'Rare')
现在,考虑到足够多的“正常”类别,伦敦将被推到“稀有”类别。不管有多少新的类别出现,它们都将作为一个类别分组到“稀有”中;等待它们的仍然是稀有实例,不会成为主导类别。在