machine-learning - 如何处理二元分类问题的多标签分类特征？

Question

我有这样的数据集:

   profile     category  target
0        1      [5, 10]       1
1        2          [1]       0
2        3   [23, 5000]       1
3        4  [700, 4500]       0

如何处理类别功能，该表可能还有其他附加功能。一种热编码会导致消耗太多空间，因为行数约为 1000 万行。任何建议都会有帮助。

Answer 1

我的想法是分割这个数组 into new columns :

这将导致以下数据框:

   profile     0    1  target
0        1     5    10       1
1        2     1             0
2        3     23   5000       1
3        4     700  4500       0

在下一步中，您可以根据 this 调整获取功能的类别(如果配置文件具有此类别，则填充 1)。 ，这将导致以下数据框:

   profile     1  ...  5  ... 10 ... 23 target
0        1     0       1       0      0      1
1        2     1       0       0      0      0
2        3     0       0       0      1      1
3        4     0       0       0      0      0

你将把每个类别作为一个特征，这可以帮助你(这类似于文本分类问题)。然后你可以使用一些降维技术，例如 pca 。

通过这种方法，您可以尊重类别行为，并且可以在以后使用一些数学技巧来减少维度。