python-2.7 - 我正在尝试根据肝脏疾病数据集构建随机森林分类器。但 fit 方法返回错误，例如 :

Question

from sklearn.ensemble import RandomForestClassifier
import pandas as pd
import numpy as np
np.random.seed(0)
df = pd.read_csv("data.csv")
df['is_train'] = np.random.uniform(0,1,len(df)) <= 0.75
train, test = df[df['is_train'] == True], df[df['is_train'] == False]
features = df.columns[:10]
y = pd.factorize(train['Selector'])[0]
clf = RandomForestClassifier(n_jobs = 2, random_state = 0)
clf.fit(train[features],y)

<小时/>

ValueError Traceback (most recent call last) in () ----> 1 clf.fit(train[features],y)

C:\Users\abhir\Anaconda2\lib\site-packages\sklearn\ensemble\forest.pyc in fit(self, X, y, sample_weight) 244 """ 245 # Validate or convert input data --> 246 X = check_array(X, accept_sparse="csc", dtype=DTYPE) 247 y = check_array(y, accept_sparse='csc', ensure_2d=False, dtype=None) 248 if sample_weight is not None:

C:\Users\abhir\Anaconda2\lib\site-packages\sklearn\utils\validation.pyc in check_array(array, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator) 400 force_all_finite) 401 else: --> 402 array = np.array(array, dtype=dtype, order=order, copy=copy) 403 404 if ensure_2d:

ValueError: could not convert string to float: Male

---

对于为什么会发生这种情况以及如何解决这个问题有任何帮助吗？链接至dataset

Answer 1

Scikit learn 的 RandomForestClassifier 不支持分类数据，例如您的情况中值为“男性”和“女性”的“性别”:请参阅 this询问详情。

要解决这个问题，您可以使用标签编码器对分类变量进行编码:

from sklearn import preprocessing

le = preprocessing.LabelEncoder()
le.fit(['Male', 'Female'])
df.loc[:,'gender'] =  le.transform(df['gender'])

数据集的 Alkphos 列中还包含一些 NaN，您需要在训练分类器之前对其进行处理。最简单但不一定是最好的选择是删除缺少值的数据集:

df = df[np.isfinite(df['Alkphos'])]

您需要在将数据分为训练集和测试集之前进行此预处理，因此两个数据集都会经历相同的转换和过滤。