我正在做一个预测项目(为了好玩),基本上我从nltk中取出男性和女性名字,标签名称为“男性”或“女性”,然后获取每个名字的最后一个字母,最后使用不同的机器学习基于最后一个字母训练和预测性别的算法.

所以我们知道Python的sklearn不处理分类数据,因此我使用LabelEncoder将最后一个字母转换为数值：

变形前：

     name     last_letter    gender
0    Aamir    r              male
1    Aaron    n              male
2    Abbey    y              male
3    Abbie    e              male
4    Abbot    t              male

     name       last_letter    gender
0    Abagael    l              female
1    Abagail    l              female
2    Abbe       e              female
3    Abbey      y              female
4    Abbi       i              female

如果我们连接两个数据帧,请删除名称列并随机播放：

     last_letter    gender
0    a              male
1    e              female
2    g              male
3    h              male
4    e              male

然后我使用LabelEncoder：

from sklearn.preprocessing import LabelEncoder
label_encoder = LabelEncoder()

for col in df.columns:
    df[col]= label_encoder.fit_transform(df[col])
df.head()

数据框变为：

     last_letter    gender
0    1              male
1    5              female
2    7              male
3    8              male
4    5              male

正如您所看到的,在训练模型之后(让我们说这里的随机森林).如果我想使用该模型来预测随机字母

e.g. rf_model.predict('a')

它不会起作用,因为模型只采用数值.在这种情况下,如果我这样做：

rf_model.predict(1) (assume letter 'a' is encoded as number 1)

模型预测结果返回

array([1])

那么我该怎么做：

rf_model.predict('a') 

并获得像’女性’或’男性’的结果,而不必输入数值并获得数值结果？

解决方法:

只需使用您创建的相同LabelEncoder！由于您已经将其与训练数据相匹配,因此您可以直接应用具有变换功能的新数据.

In [2]: from sklearn.preprocessing import LabelEncoder

In [3]: label_encoder = LabelEncoder()

In [4]: label_encoder.fit_transform(['a', 'b', 'c'])
Out[4]: array([0, 1, 2])

In [5]: label_encoder.transform(['a'])
Out[5]: array([0])

要与RandomForestClassifier一起使用,

In [59]: from sklearn.ensemble import RandomForestClassifier

In [60]: X = ['a', 'b', 'c']

In [61]: y = ['male', 'female', 'female']

In [62]: X_encoded = label_encoder.fit_transform(X)

In [63]: rf_model = RandomForestClassifier()

In [64]: rf_model.fit(X_encoded[:, None], y)
Out[64]: 
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
            max_depth=None, max_features='auto', max_leaf_nodes=None,
            min_impurity_split=1e-07, min_samples_leaf=1,
            min_samples_split=2, min_weight_fraction_leaf=0.0,
            n_estimators=10, n_jobs=1, oob_score=False, random_state=None,
            verbose=0, warm_start=False)

In [65]: x = ['a']

In [66]: x_encoded = label_encoder.transform(x)

In [67]: rf_model.predict(x_encoded[:, None])
Out[67]: 
array(['male'], 
      dtype='<U6')

如您所见,如果您使用它们来适合分类器,您可以直接从分类器获得字符串输出’male’,’female’.

参见LabelEncoder.transform