我是机器学习的新手，而且我有一些sci-kit分类器和＃34;工作＆＃34;在我的数据集中，我不确定我是否正确使用它们。我用手标记的训练集进行有监督的学习。
问题是：我的数据集中的每个项目都是一个大约的字典。 80个键，它们是文本，布尔或整数，我想用作功能。我有大约40,000件物品，手上贴有大约800件。我是否只想选择使用布尔功能，或仅选择整数？我是否需要规范化功能（删除均值+比例到单位方差）？我目前还没有尝试分析文本，所以甚至不值得将这些功能提供给分类器。仅尝试相同类型（int）的各种特征排列/组合是否愚蠢？也可能是因为我接近我的数据集完全错误......它的形状如下：
[[a，b，c，...]，[a，b，c，...]，[a，b，c，...]，...]
基本上我希望实现的是对数据集中每个项目的二进制分类，基本上只是＆＃34; Good＆＃34;或者＆＃34;坏＆＃34;根据我手上的标签。我读到一些分类器在不同的数据类型上工作得更好，比如Bernoulli Naive Bayes和K Nearest Neighbors在决策边界非常不规则时工作＃34;
最后，我希望对几种不同算法的分类器精度进行比较，此外还希望隔离一个实际上准确分类数据的算法...
答案 0 :(得分：3)
scikit-learn中的所有分类器都需要数字数据。布尔特征很好，对于整数特征，它取决于它们是编码分类，序数还是数字数据。
您需要执行的预处理取决于功能的类型，而不是您是否要将它们组合在一起。将它们结合起来可能是一个好主意。
您可以使用CountVectorizer或TFIDFVectorizer对文本数据进行简单转换。