我正在尝试通过各种功能来预测客户保留率。
其中之一是org_id，代表客户所属的组织。当前它是一个浮点数列，数字范围为0.0到416.0，以及417个唯一值。
我想知道在将此列提供给scikit学习RandomForestClassifier之前最好的预处理方式是什么。通常，我会对类别特征进行一次热编码，但是这里的值太多，因此会从根本上增加我的数据维数。我有12,000行数据，因此我可能还可以，并且只有大约10个其他功能。
替代方法是为列保留浮点值，将浮点值转换为int值，或将浮点数转换为熊猫的分类对象。
任何提示都非常感谢。
答案 0 :(得分：2)
org_id似乎不是为分类带来任何信息的功能，您应该删除该值，而不要将其传递到分类器中。
在分类器中，您只希望传递与您要执行的任务具有区别性的功能：此处可能影响保留或搅动的元素。公司ID在这种情况下不会带来任何有价值的信息，因此不应使用。
根据OP的评论进行编辑：
在进一步介绍之前，我们先说点什么：关于样本数量（12000）和模型的相对简单性，人们可以多次尝试轻松地尝试不同的功能配置。
因此，作为基准，我将按照我之前说的做，将所有功能放在一起。这是您的基准分数，也就是您可以比较其他功能组合的分数。
我认为尝试对org_id进行热编码没有任何花费，无论您观察到哪种结果，都将加深您的经验和对随机森林在这种情况下的行为的了解。由于您只有10个以上的功能，因此布尔功能is_org_id_1，is_org_id_2，...将非常占优势，并且分类结果可能受这些功能的影响很大。
然后，我将尝试通过查找可以“描述”这400多个组织的新功能来减少布尔功能的数量。例如，如果它们只是美国组织，其状态约为50个特征，或者其用户数（将是一个数字特征），存在的年限（另一个单个数字特征）。让我们注意，这些仅是示例，用于说明创建新功能的过程，只有知道完整问题的人才能以明智的方式设计这些功能。
另外，我会发现有趣的是，一旦您解决了问题，您就回到这里，为我的问题写另一个答案，因为我相信，很多人在处理真实数据时都会遇到这样的问题：）