Random或features句柄是否作为类别？

Question

我正在使用randomforestrestregressor（来自python中伟大的Scikt学习库）进行我的项目， 它给了我很好的结果，但我认为我可以做得更好。 当我为“fit（…）”功能提供功能时， 将分类特征作为二进制特征更好吗？你知道吗

示例： 而不是：

===========
continent |
===========
     1    |
===========
     2    |
===========
     3    |
===========
     2    |
===========

制作类似于：

===========================
is_europe | is_asia   | ...
===========================
    1     |     0     |
===========================
    0     |     1     |
===========================

因为它像树一样工作也许第二种选择更好， 或者对第一个选项也一样？ 多谢了！你知道吗

Answer 1

强烈建议对分类变量进行二值化，并期望其性能优于不使用二值化器转换的模型。如果scikit-learn将continent = [1, 2, 3, 2]视为数值（连续变量[定量]而不是分类[定性]），则会对该特征施加人工顺序约束。例如，假设continent=1表示is_europe，continent=2表示is_asia，continent=3表示is_america，那么当检查continent feature与您的响应变量y的关系时，它意味着is_asia总是在is_europe和is_america之间，这不一定是真的，并且有机会降低模型的有效性。相反，使其成为虚拟变量没有这样的问题，scikit-learn将分别处理每个二进制特性。你知道吗

要在scikit-learn中对分类变量进行二值化，可以使用LabelBinarizer。你知道吗

from sklearn.preprocessing import LabelBinarizer


# your data
# ===========================
continent = [1, 2, 3, 2]
continent_dict = {1:'is_europe', 2:'is_asia', 3:'is_america'}
print(continent_dict)

{1: 'is_europe', 2: 'is_asia', 3: 'is_america'}

# processing
# =============================
binarizer = LabelBinarizer()
# fit on the categorical feature
continent_dummy = binarizer.fit_transform(continent)
print(continent_dummy)

[[1 0 0]
 [0 1 0]
 [0 0 1]
 [0 1 0]]

如果您在pandas中处理数据，那么它的顶级函数pandas.get_dummies也会有所帮助。你知道吗