scikit-learn 对整数变量的解释

Question

在使用 SAS/SPSS 产品进行多年数据挖掘后，我才刚刚开始使用 scikit-learn。 我对 scikit-learn 和 pandas 的能力感到惊讶，但是有一件事我自己无法弄清楚。 让我们假设我的训练数据是由整数组成的，其中一些对分类值进行编码。有什么方法可以控制如何通过树或任何集成树（例如：ExtraTreesClassifier）算法来解释变量？ 正确的方法是将变量类型从 int 更改为 object，或者我可以学习一个常见的技巧吗？

谢谢， 好啦

Answer 1

对于低基数分类特征，使用 one-hot 编码特征扩展可能是合适的。看看：

• http://scikit-learn.org/stable/modules/preprocessing.html#encoding-categorical-features
• http://scikit-learn.org/stable/modules/feature_extraction.html#loading-features-from-dicts

对于高基数分类特征，您可以保留 ExtraTreesClassifier 的整数编码。尽管该算法会将它们视为常规连续变量，但在实践中似乎不会对预测准确性产生太大负面影响。

编辑：在任何情况下，scikit-learn 都期望所有输入特征的同构浮点类型编码。 object dtype 永远不是有效的输入类型。