python - 分类特征编码作为 Scikit-Learn 的枚举

Question

我目前正在尝试为 Scikit-Learns 的 RandomForest 模型（回归）预处理一个具有很多分类特征的非常大的数据集。分类数据的性质要求不通过编码方案添加任何序数。H2o ML-Framework ( Link ) 提供的enum-encoding 非常适合我的数据。但是我依赖 Scikit-Learns RandomForest。

有人知道enumScikit-Learn 模型的一些编码吗？（One-Hot-Encoding 不是一个选项）

提前致谢！

标签： pythonencodingenumsscikit-learnh2o

Answer 1

sklearn中只有标签编码LabelEncoder和 OHE 可用。但是，它没有提供您想要的功能，因为类别被简单地编码为整数，我相信这仅对序数类别有意义。我相信，在 sklearn 中，由模型来实现这种枚举类别处理（因为 sklearn 中有很多模型，并且大多数模型都无法从这种编码中受益）。

我认为，LightGBM在这里声称它在内部实现了这种类型的类别处理，但我实际上并不是 100% 确定这是否属实。优点是它们同时具有 RF 和 GBM 树构建器，因此您可以轻松地在它们之间切换，并且比 sklearn 实现更快。

另请注意，CatBoost有一个用于内部类别编码的到达工具包，但到目前为止我对它的经验为零。