在构建决策树模型时处理分类特征答案

【问题标题】：Process categorical features when building decision tree models在构建决策树模型时处理分类特征
【发布时间】：2017-11-09 13:46:48
【问题描述】：

我使用 H2O 来构建 GBM、DRF 和 DL 等分类模型。我拥有的数据集包含一些分类列，如果我想将它们用作构建模型的特征，是否需要手动将它们转换为虚拟变量？我读到 GBM 可以在内部对分类变量进行虚拟化？

【问题讨论】：

标签： random-forest categorical-data h2o gbm

【解决方案1】：

是的，H2O 是少数不需要用户对分类变量进行预处理或一次性编码（又名“虚拟编码”）的机器学习库之一。只要数据框中的列类型是“因子”（又名“枚举”），那么 H2O 就会自动知道要做什么。

特别是，H2O 允许在随机森林或 GBM 等基于树的方法中直接使用分类变量。基于树的算法能够本地使用分类数据，通常这会导致比单热编码更好的性能。在 GLM 或深度学习中，H2O 将在后台自动对分类进行一次热编码——无论哪种方式，您都不需要进行任何预处理。如果您想要更多控制，可以使用categorical_encoding 参数控制自动编码的类型。

【讨论】：

【解决方案2】：

恕我直言，能够直接在树算法中处理分类变量是 H2O 的巨大优势。

如果你对一个分类变量进行 one-hot 编码，你实际上是取了一个变量并将它们分成几个值主要为 0 的变量（例如稀疏）。正如 Erin 所说，这会使 Trees 的表现更差。这是因为树在每次拆分时都使用“信息增益”。稀疏特征（来自 one-hot 编码）的信息增益较少，因此不如分类特征有用。

【讨论】：