XGBoost Категориальные переменные: Dummification vs encoding

Question

При использовании XGBoost нам нужно преобразовать категориальные переменные в числовые.

Будет ли какое-либо различие в метриках производительности/оценке между методами:

1. dummifying своим категориальным переменными
2. , кодирующим вашим категориальным переменным, например, из (А, б, в) (1,2,3)

ТАКЖЕ:

Будут ли какие-либо причин не идти с методом 2, используя, например, labelencoder?

Answer 1

xgboost имеет дело только с числовыми столбцами.

, если у вас есть возможность [a,b,b,c], которая описывает категориальную переменную (т.е. нет числовых отношений)

Использование LabelEncoder вы просто так:

array([0, 1, 1, 2]) 

Xgboostбудет неправильно интерпретировать эту функцию, имея числовые отношения! Это просто отображает каждую строку ('a','b','c') в целое число, не более того.

Правильный путь

Использование OneHotEncoder вы в конечном итоге получить к этому:

array([[ 1., 0., 0.], 
     [ 0., 1., 0.], 
     [ 0., 1., 0.], 
     [ 0., 0., 1.]]) 

Это правильное представление категорического переменной для xgboost или любого другого инструмента машинного обучения.

Pandas get_dummies - хороший инструмент для создания фиктивных переменных (, который проще, на мой взгляд). Метод

# 2 в выше вопрос не будет представлять данные правильно