在随机森林中使用“一个热”编码因变量

Question

我正在使用sklearn-learn在python中建立一个随机森林，并且已经对所有类别变量应用了“一种热门”编码。问题：如果我对自己的DV应用“一个热点”， 我应该将其所有虚拟列都用作DV，还是应该以不同的方式处理DV？

Answer 1

您需要对所有值不为数字的列应用一键编码，也可以使用一键编码和其他非数字列的DV处理。例如：假设有一列带有城市名称的列，则需要将其更改为数字形式。这称为数据成型。您也可以不进行单模成型。

例如：在糖尿病的DV列中，输入“是”和“否”。这是没有一键编码的。

diabetes_map = {True : 1, False : 0}
df['diabetes'] = df['diabetes'].map(diabetes_map)

Answer 2

取决于您遇到的问题的类型。对于二进制或多类问题，您不需要在scikit-learn中使用一个热编码因变量。一键式编码会将输出变量的形状从一维更改为多维。这称为标签指示器矩阵，其中每列表示该标签的存在或不存在。

例如，对以下内容进行一次热编码：

['high', 'medium', 'low', 'high', 'low', 'high', 'medium']

将返回以下内容：

high    medium    low
 1        0        0
 0        1        0
 0        0        1
 1        0        0
 0        0        1
 1        0        0
 0        1        0

{p {1}}中的

并非所有分类器都能够支持这种格式，（即使它们支持多分类，） ，这将触发多标签分类（一次可以出现多个标签），这是您在多类问题中不想要的。