Python logit和sklearn管道的一个热编码

我试图使用Python中的Dalex包来可视化二进制logit模型的某些特征

我从示例书中复制了一段代码 （整个第五个代码单元）但现在我不太确定结果应该如何解释

在我使用

statsmodels

创建的基本logit模型中，我为每个类别手动选择了一个参考级别变量，以避免多重共线性（这意味着模型的所有结果都是根据参考级别进行解释的）

但是当我使用上面链接中的代码（也复制到本文下面）时，它首先在

sklearn

中创建一些管道对象，一个热编码分类变量，然后管道对象被拟合到数据中，并在Dalex解释程序中用作要解释的模型

问题是，当我在Dalex中使用类似于

model_profile（）

的函数时，它应该输出一个图表，显示变量对预测的其他同等影响，我不知道如何解释结果，因为似乎一个分类变量中的所有值都包含在图表中

例如，该模型显示了“性别”分类变量对男性和女性平均预测的影响

这也显示了一条名为“平均预测”的水平线，但什么是“平均预测”？是以男性作为参考水平，还是以女性为参考水平

我在这里真的很困惑结果意味着什么。。。有人能澄清一下吗？我尝试使用的函数

model\u profile（）

也在笔记本中进行了说明。谢谢大家!

我复制的代码片段：

numerical_features=['age'、'fare'、'sibsp'、'parch']
数字变压器=管道(
台阶=[
（'inputer'，simplemputer（strategy='median'）），
（'scaler'，StandardScaler（））
]
)
分类特征=['性别'，'阶级'，'职业']
分类变压器=管道(
台阶=[
（'inputer'，simplemputer（strategy='constant'，fill_value='missing'），
（'onehot'，onehotcoder（handle_unknown='ignore'））
]
)
预处理器=列转换器(
变形金刚=[
（'num'，数字变压器，数字特征），
（'cat'，分类变压器，分类特性）
]
)
分类器=MLP分类器（隐藏层大小=（150100,50），最大值=500，随机状态=0）
clf=管道（步骤=[（“预处理器”，预处理器），
（“分类器”，分类器）]）
clf.配合（X，y）
exp=dx.Explainer（clf，X，y）

为什么会发生这种情况？ 这是因为默认情况下，

sklearn

的

onehotcoder

对数据中的每个类别进行一次热转换。然而，对于像logit这样的线性模型，为了避免多重共线性，并使您的结果相对于参考点具有可解释性，通常倾向于省略其中一个类别。在这种情况下，您需要更改编码器的默认设置

例子 您可以通过设置

drop=“first”

来实现这一点，这将删除一个热编码过程的第一个类别。下面的示例说明了如何在一个简单的示例中使用该方法。在这里，“女性”类别从一个热编码中删除，只有“男性”类别被编码，这将返回您期望的结果。请注意，这也适用于非二进制功能

from sklearn.preprocessing import OneHotEncoder
X = pd.DataFrame({"gender":["male","female","female","male"]})
OHE = OneHotEncoder(drop="first")
OHE.fit_transform(X).toarray()
#[[1.],
# [0.],
# [0.],
# [1.]]
OHE.get_feature_names()
#['x0_male']

你需要做什么 因此，您需要在代码中更改的只是管道定义中的以下行：

'onehot', OneHotEncoder(drop='first', handle_unknown='ignore')

---

谢谢，但恐怕我解释得不好。现在我知道了如何从变量中省略一个类别，以便不将其包含在模型中。然而，对于Dalex，我试图理解分类变量（其所有级别）是如何影响因变量的。看看我在原始问题中发布的笔记本/链接。他们使用了性别，并计算了男性和女性对预测的影响。怎么可能呢？如果在模型中使用这两个类别进行预测，如何计算平均预测值？