时间戳

首页 > 解决方案 > 字符串的整数编码并将其用作决策树（sklearn）的输入是否会使分割属性离散或连续？

python - 字符串的整数编码并将其用作决策树（sklearn）的输入是否会使分割属性离散或连续？

问题描述

我必须使用决策树分类器对某些数据进行分类。但是，属性值是字符串，正如我在这里找到的，它说字符串不能用作输入。因此，我对字符串使用整数编码。

在本文中，我发现传递整数编码的数据可能会导致错误的答案，因为 sklearn 假定数据之间是有序的。所以，唯一的出路是使用OneHotEncoder模块。

使用OneHotEncoder模块增加了特征的数量（例如，如果有一个属性 'price' 带有 values ['high','med','low']，one-hot-encoding 将导致包含与实际属性 'price' 相关的 3 个属性；这些可以解释为['price-high','price-med', 'price-low']和属性值将是 1 或 0，具体取决于数据），这是我不想要的，因为我必须以某种格式打印决策树，这需要原始特征（例如，我需要“价格”）。

有没有办法解决这个问题？

标签： pythonscikit-learndecision-tree

解决方案

我认为pd.get_dummies这会很有用，因为您想在创建单热向量时跟踪原始特征名称。

例子：

df = pd.DataFrame({'price': ['high', 'medium', 'high', 'low'], 'some_feature': ['b', 'a', 'c','a']})
pd.get_dummies(df,columns=['price','some_feature'])

    price_high  price_low   price_medium    some_feature_a  some_feature_b  some_feature_c
0   1   0   0   0   1   0
1   0   0   1   1   0   0
2   1   0   0   0   0   1
3   0   1   0   1   0   0

当将此数据框输入决策树时，您可以更好地理解！

推荐阅读