我正在努力更好地理解如何将自己的数据表用于机器学习项目。
我的分类是：
[categoryname, modelitem, price, soldindays]
以soldindays为目标。
我的数据表格式为1,200,000行：
categoryname / modelitem / price / soldindays
furniture / chair / 100 / 22
wood / table / 79 / 4
glass / tv / 190 / 9
cardboard / desk / 493 / 198
我不完全确定如何重新格式化数据以获得良好的预测。到目前为止，我已经使用K nearest neighbros = 1，但不知何故，我的准确度水平在5％到78％之间变化。根据我选择训练的数据，这似乎有很大差异。我将尝试对所有这些进行训练而不仅仅是部分训练。
我通过将每个非数字项目转换为数字来格式化我的数据。我计算了每个非数字属性的唯一值。然后，我将每个列表中的每个项目按字母顺序排列，并将每个项目映射到其序号位置。
例如：
map_categorynames = [aarvarks = 1, airplanes = 2]
map_modelitems = [feet = 1, shoes = 2]
它是这样的：
categoryname / modelitem / price / soldindays
1878 / 87 / 100 / 22
197 / 290 / 79 / 4
2854 / 785 / 190 / 9
1148 / 401 / 493 / 198
我知道由于多种原因我可能会有很差的准确性，但我认为数据格式可能是最大的。如何以数字方式格式化我的特征，哪种模型/模型可能更适合我的“类型”问题？
我的第一个属性categoryname包含大约1000个不同的类别，modelitem也是如此。 price和soldindays是整数0-10000。输出是预测soldindays，以找出指定项目在其属性下出售所需的时间。
我一直在努力阅读和观看视频并理解所有内容，但作者之间存在很多差异，以至于当很难坚持使用单一教育资源时，很难积累知识。
答案 0 :(得分：0)
您目前使用称为LabelEncoding的方法对您的类别进行了编码。 SKLearn中有一个method可以为你做到这一点。
如果您使用此方法进行编码并使用诸如nearest-neighbors之类的模型，则表示您的类别中按字母顺序排列的类也在语义上非常接近。
对于非基于树的模型的分类值进行编码，使用OneHotEncoding要好得多。这将为每个填充了1或0的类创建一个列，具体取决于该条目是否属于列中指定的类。这看起来如下：
Category | is_a | is_b | is_c
A | 1 | 0 | 0
B | 0 | 1 | 0
这可以确保A远离B，因为它与您的模型的C相同，这可以显着改善您的结果。
答案 1 :(得分：0)
问题类型
最重要的是，请注意这是一个回归型问题，而不是分类。您希望尽可能接近正确的天数，而不是必须得到确切的答案（或失去所有信用）。您的成功标准不是正确的百分比;相反，它应该是某种平均误差百分比。您可以抛弃使用独立分类预测的技术。
DATA SHAPE
您如何知道您的数据包含足够的信息以进行准确的预测？通常，这一发现来自于试验各种ML算法。您是否对空间或任何类型的相关性进行了任何可视化，以估计最大可能的准确度？
当前方法
KNN 不对此有好处。将两个字符串功能放在线性连续体上没有正确描述它们。你给出的编码告诉我们，aardvark 很多与飞机关系比与斑马关系更密切。你需要分开这些。正如Matthijs已经指出的那样，单热编码是将这些分成正交特征的理想方法。
modelitem功能是否独立于类别？如果是这样，那么它也应该是单热编码的。如果它是依赖的，类别的子类型，那么你有一个更难的问题：在分离主要时保持二级鉴别器相关。这是决策树是一个好工具的地方。
一般建议
将此视为经典回归问题，与许多入门讲座中的规范房屋定价示例一致。首先探索SGD和相关算法。如果你没有得到满意的结果，至少你有一个坚实的起点，并可以再次发布你的精炼问题。