隔离林：分类数据

Question

我正在尝试使用sklearn中的Isolation Forest来检测乳腺癌数据集中的异常。我正在尝试将Iolation Forest应用于混合数据集，当我拟合模型时会给我带来价值错误。

这是我的数据集：https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer/

这是我的代码：

from sklearn.model_selection import train_test_split
rng = np.random.RandomState(42)

X = data_cancer.drop(['Class'],axis=1)
y = data_cancer['Class'] 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2, random_state = 20)
X_outliers = rng.uniform(low=-4, high=4, size=(X.shape[0], X.shape[1]))

clf = IsolationForest()
clf.fit(X_train)

这是我得到的错误：

ValueError：无法将字符串转换为浮点数：'30 -39'

是否可以对分类数据使用隔离林？如果是，我该怎么办？

Answer 1

您应该将分类数据编码为数字表示形式。

有许多方法可以编码分类数据，但我建议您从以下开始

如果基数高，则为[sklearn.preprocessing.LabelEncoder；如果基数低，则为sklearn.preprocessing.OneHotEncoder。

这里是一个用法示例：

from numpy import argmax
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder
# define example
data = ['cold', 'cold', 'warm', 'cold', 'hot', 'hot', 'warm', 'cold', 'warm', 'hot']
values = array(data)
print(values)
# integer encode
label_encoder = LabelEncoder()
integer_encoded = label_encoder.fit_transform(values)
print(integer_encoded)
# binary encode
onehot_encoder = OneHotEncoder(sparse=False)
integer_encoded = integer_encoded.reshape(len(integer_encoded), 1)
onehot_encoded = onehot_encoder.fit_transform(integer_encoded)
print(onehot_encoded)
# invert first example
inverted = label_encoder.inverse_transform([argmax(onehot_encoded[0, :])])
print(inverted)

输出：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
['cold' 'cold' 'warm' 'cold' 'hot' 'hot' 'warm' 'cold' 'warm' 'hot']

[0 0 2 0 1 1 2 0 2 1]

[[ 1.  0.  0.]
 [ 1.  0.  0.]
 [ 0.  0.  1.]
 [ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]
 [ 1.  0.  0.]
 [ 0.  0.  1.]
 [ 0.  1.  0.]]

['cold']