machine-learning - 如何利用字符串特征进行分类？

Question

我正在开发一个广告点击推荐系统，在该系统中我必须预测用户是否会点击广告。我总共有 98 个功能，其中既有用户功能又有广告功能。一些对于预测非常重要的特征具有像这样的字符串值。

**FEATURE**
Inakdtive Kunmden
Stammkfunden
Stammkdunden
Stammkfunden
guteg Quartialskunden
gutes Quartialskunden
guteg Quartialskunden
gutes Quartialskunden

整个数据列中有14个这样的不同字符串值。我的模型无法将字符串值作为输入，因此我必须将它们转换为分类 int 值。我不知道如何做到这一点并使这些功能变得有用。我正在使用 K-MEANS 聚类和随机森林算法。

Answer 1

将字符串值列表转换为分类整数时要小心，因为模型可能会将整数解释为具有数值意义，但实际上可能并非如此。

例如，如果:

'Dog'=1,'Cat'=2,'Horse'=3,'Mouse'=4,'Human'=5

那么聚类算法中的距离度量就会认为人类更像老鼠而不是狗。将它们转换为 14 个二进制值通常更有用，例如

转动这个:

'Dog'
'Cat'
'Human'
'Mouse'
'Dog'

进入此:

'Dog'  'Cat'  'Mouse'  'Human'
  1      0       0        0
  0      1       0        0
  0      0       0        1
  0      0       1        0
  1      0       0        0

不是这个:

'Species'
    1
    2
    5
    4
    1

但是，如果数据将成为您要分类的“目标”而不是数据“特征”，则可以在 SciKit-Learn 的大多数多分类算法中将它们保留为整数。