Question

我正在使用随机森林解决分类问题。为此，我决定使用Python库scikit-learn。但我是Random Forest算法和这个工具的新手。我的数据包含许多因子变量。我用谷歌搜索了一下，发现像我们在线性回归中那样给因子变量赋值数是不对的，因为它会将它视为连续变量并给出错误的结果。但我找不到任何关于如何处理scikit-learn中的因子变量的内容。请告诉我使用的选项或指向我可以获得它的文档。

Answer 1

如果您正在使用pandas数据框，则可以轻松使用get_dummies函数来完成此操作。这是一个例子：

import pandas as pd

my_data = [['a','b'],['b','a'],['c','b'],['d','a'],['a','c']]
df = pd.DataFrame(my_data, columns = ['var1','var2'])
dummy_ranks = pd.get_dummies(df['var1'], prefix = 'var1_')
print dummy_ranks

   var1__a  var1__b  var1__c  var1__d
0        1        0        0        0
1        0        1        0        0
2        0        0        1        0
3        0        0        0        1
4        1        0        0        0

[5 rows x 4 columns]

Answer 2

您应该使用sklearn＆＃39; OneHotEncoder。它的作用是为分类整数特征中的每个不同值创建一个新变量。

例如，如果变量var的值为[10, 25, 30]，则会创建三个新变量（即包含3列的矩阵），基本上包含变量var_10，{{1} }和var_25分别带有值var_30，[1, 0, 0]和[0, 1, 0]。

在使用随机森林时，在scikit-learn中表示因子变量的方法是什么？

2 个答案: