如何将 RandomForestClassifier 与字符串数据一起使用

Question

我使用sklearn 构建了一个RandomForestClassifier 模型。

我的数据集中有一个字符串数据和一个叶数据。

它会显示

could not convert string to float

跑完之后

clf = RandomForestClassifier(n_jobs=100)  
clf.fit(x1, y1)

如何构建包含混合数据的RandomForest 模型？

Answer 1

这是 scikit-learn 的约定：估计器接受数字矩阵，而不是字符串或其他数据类型。这使它们不受数据类型的影响——每个估算器都可以处理表格、文本数据、图像等。但这意味着您需要将数据（在您的情况下为文本）转换为数字。

有很多方法可以将文本转换为数字。一个最简单的方法称为“词袋”——对于每个可能的词都有一列，如果文档中存在单词，则文档的列中有 1（或字数），否则为 0。 scikit-learn 为此提供了 CountVectorizer（以及其他一些矢量化器）：

from sklearn.feature_extraction.text import CountVectorizer
vec = CountVectorizer()
X = vec.fit_transform(docs)
clf = RandomForestClassifier()  
clf.fit(X, y) 

有关完整示例，请参阅 http://scikit-learn.org/stable/auto_examples/text/document_classification_20newsgroups.html，有关文本矢量化的更多信息，请参阅 http://scikit-learn.org/stable/modules/feature_extraction.html#text-feature-extraction。