如何在python的决策树中使用分类数据答案

【问题标题】：How to use categorical data in decision tree in python如何在python的决策树中使用分类数据
【发布时间】：2019-04-03 13:15:51
【问题描述】：

我有一个数据集，我从中提取了 12 个特征，用于使用决策树进行共指解析任务。这些功能的一些示例如下：

distance_feature()：根据句子数量，i和j之间的距离。输出：0 或 1
- Ispronoun_feature()：如果名词短语是代词，则此功能设置为 true。
- appositive_feature()：此功能检查j 是否与i 并列。

创建所有这些特征以从数据集中提取结果后，我不知道如何选择根节点或如何使用 sci-kit 学习决策树算法，因为数据不是结构化的并且是分类的。我读过的一篇论文提到了熵和信息增益，但这两个属性的所有示例都是基于结构化数据集的。

【问题讨论】：

【解决方案1】：

如果你有不同类别的不同特性，并且不想花时间自己编码，我建议使用CatBoost 框架，它也比树的标准 scikit 实现更快。

检查此kaggle 以进行实施！

【讨论】：

【解决方案2】：

使用 one-hot 编码。

df = pd.get_dummies(df, [categorical_columns_you_want_to_encode])

如果最终列过多，您可以对列进行预处理以删除不常见的值 - 例如，小于 1% 以避免列过多。

【讨论】：

实际上数据不是结构化的我提取 i 和 j 的数据如下： فند'，'ریکمیورفند'，'ریکمیورفند'，'اعیایشاروانسلیکلمند'，'افیریتشاروارسنسوداینسارت'，'وی'，'آنان'，'نماینیکایمیروس'，' اخانستان'，'طالبان'，'سنرالمحمدرایمنش'，'محمداشریکنی']和j = ['شركرستوقارتتسلاتعالهاسانستان'，'سرپرستهارتمعارةاسانستان] span>
然后我为 i 和 j 的这些值创建了 12 个特征。因此，每个特征都有基于特征规范的自己的输出
嗯。如果您想训练一个模型，我很确定将这些数据结构化，例如将所有数据放在同一个数据框中，而不仅仅是拥有唯一的类别。基本上，回到源数据并在一行 -> 一个标签的基础上提取它们。
其实任务是从非结构化数据中提取。所以更改数据集是如此复杂。因为我们只有一些文本具有不同属性的标签。
分类思想是基于 1 个事件 -> 1 个结果。您需要从数据集中提取事件，并且由于您确定了 12 个特征，每个事件将有 12 列和 1 个结果（或更多），将它们放入字典或数组或 pandas 表中，sklearn 可以处理休息。