scikit-learn随机森林的输入

Question

我试图预测网球比赛的输出 - 这只是一个有趣的侧面项目。我使用随机森林回归器来做到这一点。现在，其中一个功能是在特定比赛之前对球员进行排名。对于很多比赛我没有排名（我只有前200名）。问题是 - 最好放一个不是整数的值，例如字符串"NoRank"，还是放一个超出1-200范围的整数？考虑到学习算法，我倾向于设置值201，但我想听听你对此的看法。 谢谢！

Answer 1

scikit-learn随机森林不幸地不支持缺失值。如果你认为没有排名的球员可能表现得最差，那么球员平均排名为200，那么输入201排名是有意义的。

注意：所有scikit-learn模型都需要均匀的数字输入功能，而不是字符串标签或其他python对象。如果您有字符串标签作为功能，则首先需要找到正确的feature extraction strategy，具体取决于字符串功能的含义（例如，分类变量标识符或要作为一个单词包提取的自由文本）。

Answer 2

在将201（或任何其他值）添加到未排序的值时，我会很小心。 RF对数据进行归一化（Do I need to normalize (or scale) data for randomForest (R package)?），这意味着它可以将200与201分组，也可以不分组。您基本上是在伪造您没有的数据。

我将添加另一列：“ haverank” 并使用0/1。 0将代表没有排名的人 1为有等级的人。

如果名称听起来更好，则将其称为“ highrank”。 您还可以添加另一个名为“ veryhighrank”的列 并将值1分配给等级1至50之间的所有玩家。等等...