假设我有一个分类特征，颜色，它取值
['red'，'blue'，'green'，'orange']，
我想用它来预测随机森林里的东西 . 如果我对它进行单热编码（即我将其更改为四个虚拟变量），我如何告诉sklearn这四个虚拟变量实际上是一个变量？具体来说，当sklearn随机选择要在不同节点使用的特征时，它应该包括红色，蓝色，绿色和橙色虚拟对象，或者它不应包括任何一个 .
我听说没有办法做到这一点，但我认为必须有一种方法来处理分类变量，而不是随意将它们编码为数字或类似的东西 .
不，没有't. Somebody' s working on this并且某天补丁可能会合并到主线，但是现在除了虚拟（one-hot）编码之外，scikit-learn中不支持分类变量 .
接受分类输入的随机森林（以及许多其他机器学习算法）的大多数实现要么只是为您自动编码分类特征，要么使用成为computationally intractable for large numbers of categories的方法 .
A notable exception is H2O . H2O有一个非常直接处理分类数据的方法，它经常使它比基于树的方法具有优势，这些方法需要单热编码 .
This article by Will McGinnis has a very good discussion of one-hot-encoding and alternatives .
This article by Nick Dingwall and Chris Potts has a very good discussion about categorical variables and tree based learners .
您必须将分类变量分为一系列虚拟变量 . 是的，我知道它很烦人，似乎没有必要，但这就是sklearn的工作原理 . 如果你正在使用熊猫使用pd.get_dummies，它的效果非常好 .
3 回答
不，没有't. Somebody' s working on this并且某天补丁可能会合并到主线，但是现在除了虚拟（one-hot）编码之外，scikit-learn中不支持分类变量 .
接受分类输入的随机森林（以及许多其他机器学习算法）的大多数实现要么只是为您自动编码分类特征，要么使用成为computationally intractable for large numbers of categories的方法 .
A notable exception is H2O . H2O有一个非常直接处理分类数据的方法，它经常使它比基于树的方法具有优势，这些方法需要单热编码 .
This article by Will McGinnis has a very good discussion of one-hot-encoding and alternatives .
This article by Nick Dingwall and Chris Potts has a very good discussion about categorical variables and tree based learners .
您必须将分类变量分为一系列虚拟变量 . 是的，我知道它很烦人，似乎没有必要，但这就是sklearn的工作原理 . 如果你正在使用熊猫使用pd.get_dummies，它的效果非常好 .