python - scikit 学习虚拟变量的创建

Question

在 scikit-learn 中，我需要使用哪些模型将分类变量分解为虚拟二进制字段？

例如，如果列是 political-party，值为 democrat、republican 和 green，对于许多算法，您必须将其分成三列，每行只能包含一个 1，其余所有必须为 0。

这避免了在离散化 [democrat, republican and green] 时强制执行不存在的序数 => [0, 1, 2]，因为 democrat 和 green 实际上并不比另一对“更远”。

对于 scikit-learn 中的哪些算法，这种转换为虚拟变量是必要的？对于那些不是的算法，它不会造成伤害，对吧？

Answer 1

For which algorithms in scikit-learn is this transformation into dummy variables necessary? And for those algorithms that aren't, it can't hurt, right?

除了基于树的方法之外，sklearn 中的所有算法都需要对标称分类变量进行单热编码(也称为虚拟变量)。

对基数非常大的分类特征使用虚拟变量可能会损害基于树的方法，尤其是随机树方法，因为它会在特征分割采样器中引入偏差。基于树的方法往往可以很好地处理分类特征的基本整数编码。