一次编码还是将其保留为单个数字变量更好？ 我正在网上阅读各种结论：
“对于高基数列和基于决策树的算法，请避免使用OneHot。” https://towardsdatascience.com/smarter-ways-to-encode-categorical-data-for-machine-learning-part-1-of-3-6dca2f71b159
相对
”（onehotencoded），这是xgboost或任何其他机器学习工具的分类变量的正确表示。” XGBoost Categorical Variables: Dummification vs encoding
答案 0 :(得分：1)
有两个以上的思想流派：）。实际上，每种方法都有利弊，最佳方法取决于您的数据。因此，通常的做法是尝试所有可行的选择，然后选择最适合您的用例的选择（不仅在度量方面，而且在CPU / RAM方面（如果数据不是很小的话））
例如，OHE将添加多列，如果表很长，则可能会占用大量内存。同时，OHE会丢失序数信息（如果特征为序数）。但这可能不是问题，因为树木经常动态地标定目标的相关依赖性。另一方面，小时的简单有序数字表示会使内存不足，并保持值的有序序列。但是问题在于，它会在24小时后约1个小时内丢失信息，它将与xgboost中的树助推器一起使用，但不适用于xgboost中的线性助推器或xgboost之外的其他模型系列（线性，svm等），并且对于非常规功能，从理论上讲是不合理的（您的问题似乎很笼统）。
让我添加适用于此特定情况的第三种思路：您可以对具有重复周期（一年中的月份，一天中的小时等）的特征使用循环编码。 ）。概念是使用 sin 和 cos 函数以固定的时间段（一天中的小时数为24）对每个值进行编码。这允许在边缘上保持连续性，并使内存处于受控状态（仅2个功能而不是原始的数字顺序表示），并且已编码功能的数量不取决于基数。有很多讨论可以找到，例如，这个问题：https://datascience.stackexchange.com/q/5990/53060。而且我确信网络上有很多实现，我个人在python中使用了这个：https://github.com/MaxHalford/xam/blob/master/docs/feature-extraction.md#cyclic-features。当然，这通常不适用于数字分类数据，而具体适用于一天中的小时。
但是正如开头所说，我个人将尝试所有这些方法，然后看看哪种方法最适合当前的问题。从概念上讲，循环编码在一天中的某个小时中可能听起来最合理，但可能比其他方法更糟糕，并且对于“年龄组” 这样的功能将毫无意义。