[ Week 3-2 ] Discretisation, Naive Bayes with continuous variable

Lecture : Machine Learning

Date : week 3, 2024/03/14

Topic : Naive Bayes with continuous variable

 

 

1. Discretisation
   1) Discretisation 이산화
   2) 이산화의 장단점
   3) 이산화 방법

2. Naive Bayes with continuous variable

 

 

 

---

1. Discretisation

1) Discretisation 이산화

continuous numeric attributes → discrete nominal attributes
연속형(수치형) 변수를 이산형(범주형) 변수로 변환하는 과정 

 

- nominal valeu(interval)의 개수를 정하고, 그 개수만큼 boundaries를 선정한다. 

- 기존의 연속형 변수는 각 boundaries에 할당되어 이산형 변수로 변환된다. 

 

 

2) 이산화의 장단점

- Naive Bayes, Decision tree 등 회귀/분류 모델은 입력값이 nominal attributes임을 가정하기 때문에 이산형 변수를 사용할때 모델 학습 속도가 빨라지고 성능이 개선된다. 

- 데이터를 더 단순하고 직관적으로 만들어 이해하기 쉬워진다. 

- 하지만 간격을 결정하고 데이터를 할당하는 과정에서 정보 손실이 발생할 수 있다. 

==> 정보 손실을 최소화하는 boundaries를 잘 결정하는 것이 핵심 과제 

 

 

 

3) 이산화 방법

: 어떻게 boundaries를 결정하느냐에 따라 방법이 구분된다.

 

① Equal–width discretization (등폭 이산화)

- 연속형 변수값의 범위를 동일한 크기 간격으로 나누는 방법 

- 각 범주에 해당하는 값의 범위(길이)가 동일하도록 boundaries를 설정하는 방법 

- k개의 범주로 나누는 경우, width = (max−min)/k 

- 기존 변수의 분포를 극적으로 변화시키지 않기 때문에 편향된 분포에 민감하다는 단점이 있다. 

 

② Equal-frequency discretization (등빈도 이산화)

- 동일한 수의 관측값을 갖는 간격으로 나누는 방법 

- 각 범주에 포함되는 관측값의 빈도가 동일하도록 boundaries를 설정하는 방법 

- k개의 범주로 나누는 경우, 관측값의 k분위수가 각 경계값 

- 관측치를 서로 다른 범주로 균등하게 나누기 때문에 기존에 편향된 분포였던 경우 유용하다. 

 

③ K-means clustering 활용 

- 관측값에 대해 k-means 군집화를 수행해 범주를 나누는 방법 

- 데이터가 이미 가지고 있는 자연스러운 군집을 찾아내는 방법 

- 이상치에 민감하며, 등폭/등빈도 이산화에 비해 복잡하다는 단점이 있다. 

 

 

 

 

 

 

2. Naive Bayes with continuous variable

출처 : https://arkainoh.blogspot.com/2018/07/nbc.html

 

: Naive Bayes Model에서 attribute 값 X(x1, x2,,,)가 연속형 변수인 경우 likelihood P(X|C)를 계산하는 방법 

• 연속형 변수 → 범주형 변수 변환하여 Likelihood 계산 (encoding, discretisation 등등)
• 각 given C에서 X의 conditional pdf(probabilitt density function)를 가정하여 Likelihood 계산 

 

 

 

 

 

 

Jupyter Notebook

: 동일하게 8 bins로 구분할때 이산화 방법에 따른 결과 차이 확인하기

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split

X, y = fetch_california_housing(return_X_y=True, as_frame=True)
X

 

	MedInc	HouseAge	AveRooms	AveBedrms	Population	AveOccup	Latitude	Longitude
0	8.3252	41.0	6.984127	1.023810	322.0	2.555556	37.88	-122.23
1	8.3014	21.0	6.238137	0.971880	2401.0	2.109842	37.86	-122.22
2	7.2574	52.0	8.288136	1.073446	496.0	2.802260	37.85	-122.24
3	5.6431	52.0	5.817352	1.073059	558.0	2.547945	37.85	-122.25
4	3.8462	52.0	6.281853	1.081081	565.0	2.181467	37.85	-122.25
...	...	...	...	...	...	...	...	...
20635	1.5603	25.0	5.045455	1.133333	845.0	2.560606	39.48	-121.09
20636	2.5568	18.0	6.114035	1.315789	356.0	3.122807	39.49	-121.21
20637	1.7000	17.0	5.205543	1.120092	1007.0	2.325635	39.43	-121.22
20638	1.8672	18.0	5.329513	1.171920	741.0	2.123209	39.43	-121.32
20639	2.3886	16.0	5.254717	1.162264	1387.0	2.616981	39.37	-121.24

20640 rows × 8 columns

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

 

 

1) Equal–width discretization

from feature_engine.discretisation import EqualWidthDiscretiser

disc = EqualWidthDiscretiser(bins=8, variables=['MedInc'], return_boundaries=True)
disc.fit(X_train)
train_t = disc.transform(X_train)
test_t = disc.transform(X_test)

train_t['MedInc'].value_counts()

(2.312, 4.125]      6494
(4.125, 5.937]      3534
(-inf, 2.312]       2734
(5.937, 7.75]       1132
(7.75, 9.563]        318
(9.563, 11.375]      143
(11.375, 13.188]      49
(13.188, inf]         44
Name: MedInc, dtype: int64

 

bin 1칸의 길이 확인 

 

print((max(X_train['MedInc']) - min(X_train['MedInc']))/8)
print(4.125-2.312)

1.812525
1.8130000000000002

 

이산화 결과 시각화 

plt.figure(figsize=(6, 4))
plt.hist(X_train['MedInc'])
for val in [2.312, 4.125, 5.937, 7.75, 9.563, 11.375, 13.188]:
    plt.axvline(val, color='green', linestyle='dashed', linewidth=1)
plt.show()

 

 

 

 

2) Equal-frequency discretization

참고 : KBinsDiscretizer는 fit과 trainsform 시 입력 데이터로 2차원 배열이나 데이터프레임을 사용해야함

from sklearn.preprocessing import KBinsDiscretizer

variables = variables = ['MedInc', 'HouseAge']
disc = KBinsDiscretizer(n_bins=10, encode='ordinal', strategy='quantile')
disc.fit(X_train[variables])
train_t = X_train.copy()
test_t = X_test.copy()
train_t[variables] = disc.transform(X_train[variables])
test_t[variables] = disc.transform(X_test[variables])

train_t['MedInc'].value_counts()

 

 

1.0    1447
7.0    1447
6.0    1446
9.0    1445
8.0    1445
3.0    1445
4.0    1444
2.0    1444
0.0    1443
5.0    1442
Name: MedInc, dtype: int64

이산화 결과 시각화 

plt.figure(figsize=(6, 4))
plt.hist(X_train['MedInc'])
for val in train_t['MedInc'].unique():
    plt.axvline(val, color='green', linestyle='dashed', linewidth=1)
plt.show()

 

 

 

 

 

 

 

 

 

 

 

 

 

Reference

https://www.blog.trainindata.com/data-discretization-in-machine-learning/
https://velog.io/@nata0919/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-%EC%9D%B4%EC%82%B0%ED%99%94Discretisation-%EC%A0%95%EB%A6%AC