使用R语言,在构建模型时可以使用以下语法忽略一个变量(列):
model = lm(dependant.variable ~ . - ignored.variable, data=my.training,set)
如果你的数据集包含索引或ID,那么使用SKlearn在Python中进行操作会非常方便。
假设你的数据是Pandas数据帧,那么该如何操作呢?
使用R语言,在构建模型时可以使用以下语法忽略一个变量(列):
model = lm(dependant.variable ~ . - ignored.variable, data=my.training,set)
如果你的数据集包含索引或ID,那么使用SKlearn在Python中进行操作会非常方便。
假设你的数据是Pandas数据帧,那么该如何操作呢?
这是我去年用来在StackOverflow上进行一些预测的代码:
from __future__ import division
from pandas import *
from sklearn import cross_validation
from sklearn import metrics
from sklearn.ensemble import GradientBoostingClassifier
basic_feature_names = [ 'BodyLength'
, 'NumTags'
, 'OwnerUndeletedAnswerCountAtPostTime'
, 'ReputationAtPostCreation'
, 'TitleLength'
, 'UserAge' ]
fea = # extract the features - removed for brevity
# construct our classifier
clf = GradientBoostingClassifier(n_estimators=num_estimators, random_state=0)
# now fit
clf.fit(fea[basic_feature_names], orig_data['OpenStatusMod'].values)
# now
priv_fea = # this was my test dataset
# now calculate the predicted classes
pred = clf.predict(priv_fea[basic_feature_names])
所以,如果我们想要分类的特征子集,我可以这样做:
# want to train using fewer features so remove 'BodyLength'
basic_feature_names.remove('BodyLength')
clf.fit(fea[basic_feature_names], orig_data['OpenStatusMod'].values)
因此,这里的想法是可以使用列表来选择Pandas数据框中的列的子集,因此我们可以构建一个新列表或删除一个值并将其用于选择。
我不确定如何在使用NumPy数组时轻松地执行此操作,因为索引方式不同。
lm
函数,请参考numpy文档和pandas文档。 - EdChumlist(df.columns) - ignore_col
,这不会太冗长,并且可以排除指定的列。 - EdChumfit
函数,例如:clf = LogisticRegression()
,然后clf.fit(X,y)
。如果使用pandas,则最后一行代码将变成clf.fit(df[list(df.columns) - ignoreCol].values, df.target.values)
。这只是一个伪例子,但它应该能够说明我的意思。在这里有一个使用pandas和sklearn的示例:http://python.dzone.com/articles/python-making-scikit-learn-and - EdChum