具有许多离散特征的机器学习数据集答案

【问题标题】：Machine Learning dataset with many discrete features具有许多离散特征的机器学习数据集
【发布时间】：2018-03-08 11:10:59
【问题描述】：

我正在处理一个医疗数据集，其中包含许多具有离散输出的变量。例如：麻醉类型、感染部位、糖尿病 y/n。为了解决这个问题，我刚刚将它们转换为带有 1 和 0 的多列，然后删除一列以确保它们之间没有直接相关性，但我想知道是否有更有效的方法来做到这一点

【问题讨论】：

【解决方案1】：

这取决于转换的目的。如果序数表示不符合类别的逻辑，则将类别转换为数字标签可能没有意义。在这种情况下，如果（正如我从您的帖子中推测的那样）意图是使用生成的变量作为某种回归模型的输入，那么您采用的“单热”编码方法是最好的方法。您可以使用pandas.get_dummies 实现您想要做的事情。

【讨论】：

您可以通过将参数 drop_first=True 传递给 get_dummies 来选择删除第一级
为了澄清我上面的答案，无论您是一次性编码还是将标签转换为数值（例如，如果您使用随机森林等基于树的模型）都可能无关紧要。如果您使用的是传统回归方法，那么需要注意的是，从某种意义上说，答案取决于您计划使用的模型。