制作决策树时如何处理数据

Question

我正在尝试为从 Kaggle 获得的数据集制作决策树。 由于我没有任何处理现实数据集的经验，因此我不知道如何处理数据的清理、集成和缩放（主要是缩放）。

例如，假设我有一个包含实数的特征。因此，我想通过将其扩展到特定数量的组（用于制作决策树）来将该功能变为分类数据之类的东西。

在这种情况下，我不知道有多少组数据对于决策树来说是合理的。 我确信这取决于特征数据的分布和目标数据集中唯一值的数量，但我不知道如何通过查看分布和目标数据集找到正确的猜测。 我最好的猜测是将特征的数据划分为与目标数据集的唯一值数量相似的数量。 （我什至不知道这是否有意义..）

当我从学校学习时，我已经为每个特征提供了 2-5 个分类数据，因此我不必担心，但现实生活与学校完全不同。

请帮帮我。

Answer 1

1. 对于 DT，您需要数字数据是数字的、分类的 - 是假人风格的。数字列不需要缩放。
2. 要处理分类数据，请使用 one-hot 编码。请确保在 one-hot 编码之前，您拥有相当大量的每个特征 (>= 5%)，否则将小变量分组。
3. 并考虑其他型号。 DT 不错，但它是老派，很容易过拟合。

Answer 2

您可以使用决策树回归器，无需将实数分层：http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.html

这样做有助于将输入数据缩放到零均值和单位方差；这有助于防止任何大类输入主导模型

话虽如此，决策树可能不是最佳选择。尝试支持向量机或人工神经网络。或者（很可能）许多模型的集合（甚至只是一个随机森林）。