R embed step_feature_hash 通过特征哈希创建虚拟变量

step_feature_hash() 已被弃用，取而代之的是 textrecipes::step_dummy_hash() 。此函数创建配方步骤的规范，该配方步骤将使用原始数据的级别将标称数据(例如字符或因子)转换为一个或多个数字二进制列。

用法

step_feature_hash(
  recipe,
  ...,
  role = "predictor",
  trained = FALSE,
  num_hash = 2^6,
  preserve = deprecated(),
  columns = NULL,
  keep_original_cols = FALSE,
  skip = FALSE,
  id = rand_id("feature_hash")
)

参数

recipe

一个菜谱对象。该步骤将添加到此配方的操作序列中。

...

一个或多个选择器函数用于为此步骤选择变量。有关更多详细信息，请参阅selections()。

role

对于此步骤创建的模型项，应为其分配什么分析角色？默认情况下，此步骤根据原始变量创建的新列将用作模型中的预测变量。

trained

指示预处理数量是否已估计的逻辑。

num_hash

生成的虚拟变量列的数量。

preserve

使用 keep_original_cols 来指定除了新的虚拟变量之外是否还应保留选定的列。

columns

所选列的字符向量。在 recipes::prep() 训练该步骤之前，这是 NULL 。

keep_original_cols

将原始变量保留在输出中的逻辑。默认为 FALSE 。

skip

一个合乎逻辑的。当bake() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 prep() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用skip = TRUE时应小心，因为它可能会影响后续操作的计算。

id

该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，将新步骤添加到任何现有操作的序列中。

细节

step_feature_hash() 将从因子或字符变量创建一组二进制虚拟变量。这些值本身用于确定应分配虚拟变量的行(而不是将该值映射到特定列)。

由于此方法不依赖于预先确定的列水平分配，因此可以毫无问题地将新因子水平添加到所选列。缺失值会导致所有散列列缺失值。

请注意，将级别分配给散列列并不会尝试最大化分配。列的多个级别可能会映射到相同的散列列(即使是小数据集)。同样，某些列可能全为零。对于任何使用散列列的配方，建议使用 zero-variance 过滤器(通过 recipes::step_zv() )。

整理

当您 tidy() 此步骤时，将返回包含 terms 列(选定的列)的 tibble。

箱重

底层操作不允许使用案例权重。

参考

Weinberger、K、A Dasgupta、J Langford、A Smola 和 J Attenberg。 2009.“大规模多任务学习的特征哈希”。第 26 届国际机器学习年会论文集，1113-20。 ACM。

Kuhn 和 Johnson (2020) 特征工程和选择：预测模型的实用方法。 CRC/查普曼厅https://bookdown.org/max/FES/encoding-predictors-with-many-categories.html

也可以看看

例子

data(grants, package = "modeldata")
rec <-
  recipe(class ~ sponsor_code, data = grants_other) %>%
  step_feature_hash(
    sponsor_code,
    num_hash = 2^6, keep_original_cols = TRUE
  ) %>%
  prep()
#> Warning: `step_feature_hash()` was deprecated in embed 0.2.0.
#> ℹ Please use `textrecipes::step_dummy_hash()` instead.

# How many of the 298 locations ended up in each hash column?
results <-
  bake(rec, new_data = NULL, starts_with("sponsor_code")) %>%
  distinct()

apply(results %>% select(-sponsor_code), 2, sum) %>% table()
#> .
#>  0  1  2  3  4  5  6  7  8  9 
#>  1  1  5 16 14  8  7  6  2  4