如何将RandomForestClassifier与字符串数据一起使用

Question

我使用sklearn来构建RandomForestClassifier模型。

我的数据集中有一个字符串数据和folat数据。

会显示

could not convert string to float

我跑完后

clf = RandomForestClassifier(n_jobs=100)  
clf.fit(x1, y1)

如何使用混合数据构建RandomForest模型？

Answer 1

这是一种scikit-learn惯例：估算器接受数字矩阵，而不接受字符串或其他数据类型。这允许他们对数据类型不可知 - 每个估计器可以处理表格，文本数据，图像等。但这意味着您需要将数据（在您的情况下为文本）转换为数字。

将文本转换为数字的方法有很多种。最容易被称为＆＃34; Bag of Words＆＃34; - 对于每个可能的单词，有一列，如果本文档中有单词，则文档在列中有1（或单词计数），否则为0。 scikit-learn为此提供了CountVectorizer（以及一些其他矢量化器）：

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer()
X = vec.fit_transform(docs)
clf = RandomForestClassifier()  
clf.fit(X, y) 

有关完整示例，请参阅http://scikit-learn.org/stable/auto_examples/text/document_classification_20newsgroups.html，有关文本向量化的详情，请参见http://scikit-learn.org/stable/modules/feature_extraction.html#text-feature-extraction。