Каков способ представления переменных факторов в scikit-learn при использовании Random Forests?

Question

Я решаю проблему классификации с использованием случайных лесов. Для этого я решил использовать библиотеку Python scikit-learn. Но я новичок как в алгоритме Random Forest, так и в этом инструменте. Мои данные содержат множество переменных факторов. Я искал это для Google и выяснил, что неправильно приводить числовые значения к переменным факторам, как в линейной регрессии, поскольку он будет рассматривать его как непрерывную переменную и давать неверный результат. Но я не мог найти ничего о том, как справляться с фактор-переменными в scikit-learn. Скажите, пожалуйста, какие варианты использовать или указать мне на какой-нибудь документ, где я могу его получить.

Answer 1

Вы должны использовать sklearn's OneHotEncoder. Он создает новую переменную для каждого отдельного значения в вашей категорной целочисленной функции.

Так, например, если у вас есть переменная var со значениями [10, 25, 30], это создаст три новых переменных (то есть матрица с 3 колонками), по существу, с переменными var_10, var_25 и var_30 со значениями [1, 0, 0], [0, 1, 0] и [0, 0, 1] соответственно.

Answer 2

Если вы используете рамку данных pandas, вы можете легко использовать функцию get_dummies для этого. Вот пример:

import pandas as pd 

my_data = [['a','b'],['b','a'],['c','b'],['d','a'],['a','c']] 
df = pd.DataFrame(my_data, columns = ['var1','var2']) 
dummy_ranks = pd.get_dummies(df['var1'], prefix = 'var1_') 
print dummy_ranks 

    var1__a var1__b var1__c var1__d 
0  1  0  0  0 
1  0  1  0  0 
2  0  0  1  0 
3  0  0  0  1 
4  1  0  0  0 

[5 rows x 4 columns]