如何获得 catboost 可视化以显示类别

Question

考虑以下数据：

import pandas as pd
y_train = pd.DataFrame({0: {14194: 'Fake', 13891: 'Fake', 13247: 'Fake', 11236: 'Fake', 2716: 'Real', 2705: 'Real', 16133: 'Fake', 7652: 'Real', 7725: 'Real', 16183: 'Fake'}})

X_train = pd.DataFrame({'one': {14194: 'e',
  13891: 'b',
  13247: 'v',
  11236: 't',
  2716: 'e',
  2705: 'e',
  16133: 'h',
  7652: 's',
  7725: 's',
  16183: 's'},
 'two': {14194: 'a',
  13891: 'a',
  13247: 'e',
  11236: 'n',
  2716: 'c',
  2705: 'a',
  16133: 'n',
  7652: 'e',
  7725: 'h',
  16183: 'e'},
 'three': {14194: 's',
  13891: 'l',
  13247: 'n',
  11236: 'c',
  2716: 'h',
  2705: 'r',
  16133: 'i',
  7652: 'r',
  7725: 'e',
  16183: 's'},
 'four': {14194: 'd',
  13891: 'e',
  13247: 'r',
  11236: 'g',
  2716: 'o',
  2705: 'r',
  16133: 'p',
  7652: 'v',
  7725: 'r',
  16183: 'i'},
 'five': {14194: 'f',
  13891: 'b',
  13247: 'o',
  11236: 'b',
  2716: 'i',
  2705: 'i',
  16133: 'i',
  7652: 'i',
  7725: 'b',
  16183: 'i'},
 'six': {14194: 'p',
  13891: 's',
  13247: 'l',
  11236: 'l',
  2716: 'n',
  2705: 'n',
  16133: 'n',
  7652: 'l',
  7725: 'e',
  16183: 'u'},
 'seven': {14194: 's',
  13891: 's',
  13247: 's',
  11236: 'e',
  2716: 'g',
  2705: 'g',
  16133: 's',
  7652: 'e',
  7725: 't',
  16183: 'r'}})

和以下代码：

from catboost import CatBoostClassifier
from catboost import Pool
cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0).fit(pool)
model.plot_tree(
tree_idx=1,
pool=pool # "pool" is required parameter for trees with one hot features
)

我得到以下信息：

但是我不明白{five} pr_num0 tb0 type0, value>8 是什么意思。我希望它看起来像手册中的泰坦尼克号示例：

import catboost
from catboost import CatBoostClassifier, Pool

from catboost.datasets import titanic
titanic_df = titanic()

X = titanic_df[0].drop('Survived',axis=1)
y = titanic_df[0].Survived

is_cat = (X.dtypes != float)
for feature, feat_is_cat in is_cat.to_dict().items():
    if feat_is_cat:
        X[feature].fillna("NAN", inplace=True)

cat_features_index = np.where(is_cat)[0]
pool = Pool(X, y, cat_features=cat_features_index, feature_names=list(X.columns))

model = CatBoostClassifier(
    max_depth=2, verbose=False, max_ctr_complexity=1, iterations=2).fit(pool)

model.plot_tree(
    tree_idx=0,
    pool=pool
)

这给出：

如何为我的示例获得 Sex, value = Female 的等价物？例如，One, value = b.

Answer 1

TLDR; 这实际上不是可视化问题，而是更多关于如何在 Catboost 中完成特征拆分的问题。

Catboost 根据名为 one_hot_max_size 的参数来决定哪些特征是 one-hot 的，哪些是 ctr 的。如果一个特征中 classes 的数量 <= one_hot_max_size 那么它将被视为 one-hot。默认情况下，它设置为 2。因此，只有二元特征（0,1 或男性、女性）被视为 one-hot，其他特征（例如 PClass -> 1,2,3）被视为 ctr。将它设置得足够高将允许您强制 catboost 将您的列编码为 one-hot。

{five} pr_num0 tb0 type0, value>8 基本上是一个标签，ctr split 的值。没有可用的文档，但在检查 github 存储库后，标签似乎是使用多重哈希生成的。

下面有更多详细信息。

如何选择特征拆分？

通过 3 个步骤为叶子选择了 feature-split 对：

一个列表由可能的候选者（“特征-分裂对”）组成，作为分裂被分配给叶子。
为每个对象计算若干惩罚函数（条件是步骤1中得到的所有候选都已分配给叶子）。
选择惩罚最小的拆分。

特征分割的类型

共有三种拆分类型：FloatFeature、OneHotFeature 和 OnlineCtr。这些基于对特征进行的编码。

FloatFeature: 一个float feature split取一个float类型的feature并且计算split value（border）。浮动特征在可视化中表示为具有特征索引和边界值 (check this)：

9, border<257.23    #feature index, border value

OneHotFeature：在one-hot特征中，每个class可以用一个max of n possible values (0 or 1)表示。 n 由名为 one_hot_max_size 的参数决定，默认设置为 2。请注意，在 titanic 数据集的情况下，Sex 只有 2 个可能的值，Male 或 Female。如果您设置 one_hot_max_size=4，则 catboost 使用一个热来编码具有最多 4 个独特 classes 的特征（例如，泰坦尼克号中的 Pclass 有 3 个独特的 classes）。 one-hot 特征用特征名称表示，其值：

Sex, value=Female    #feature name, value

OnlineCtr：在 catboost 模型中可以看到的第三种拆分类型。不计算用于单热编码 (link) 的特征的 Ctrs。如果特征中可能的 classes 数量超过 one_hot_max_size 设置的限制，则 catboost 会自动使用 ctr 对特征进行编码，因此拆分类型是 OnlineCtr。它由特征名称、一些代表唯一 classes 的虚拟标记和一个值表示：

{five} pr_num1 tb0 type0, value>9  #Label, value

##Inspecting github, the label seems to be from a multihash
##The multihash seems to be made from (CatFeatureIdx, CtrIdx, TargetBorderIdx, PriorIdx)
##https://github.com/catboost/catboost/blob/master/catboost/libs/data/ctrs.h

正在分析手头的数据集

我们先来看看每个特征中唯一 classes 的数量。

from catboost import CatBoostClassifier, Pool
import pandas as pd

X_train.describe().loc['unique']

one      6
two      5
three    8
four     8
five     4
six      6
seven    5
Name: unique, dtype: object

如您所见，唯一 classes 的最小数量为 4（在称为“五”的特征中），最大数量为 8。让我们设置 one_hot_max_size = 4.

cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0, one_hot_max_size=4).fit(pool)

model.plot_tree(tree_idx=1,pool=pool)

特征“五”现在是 OneHotFeature 并导致拆分描述 five, value=i。但是，特征“一”仍然是 OnlineCtr.

现在让我们设置 one_hot_max_size = 8，这是最大可能的唯一 classes。这将确保每个特征都是 OneHotFeature 而不是 OnlineCtr

cat_features = list(X_train.columns)
pool = Pool(X_train, y_train, cat_features=list(range(7)), feature_names=cat_features)
model = CatBoostClassifier(verbose=0, one_hot_max_size=8).fit(pool)

model.plot_tree(tree_idx=1,pool=pool)

希望这能澄清您关于泰坦尼克号 Sex 的显示方式与您正在使用的功能不同的问题。

有关此内容的更多信息，请查看这些链接 -

如何获得 catboost 可视化以显示类别

How to get catboost visualization to show the categories

python

machine-learning

catboost

如何选择特征拆分？

特征分割的类型

正在分析手头的数据集