scikit-learn 随机森林的输入

Question

我正在尝试预测网球比赛的结果 - 只是一个有趣的副项目。 我使用随机森林回归器来做到这一点。 现在，其中一项功能是特定比赛前球员的排名。 对于许多比赛，我没有排名（我只有前 200 名）。 问题是 - 放置一个不是整数的值（例如字符串"NoRank" ）还是放置一个超出1-200范围的整数"NoRank" ？ 考虑到学习算法，我倾向于将值201 ，但我想听听您对此的意见..谢谢！

Answer 1

不幸的是，scikit-learn 随机森林不支持缺失值。 如果您认为未排名的玩家可能表现得最差，平均排名 200 的玩家则输入 201 排名是有道理的。

注意：所有 scikit-learn 模型都需要同构的数字输入特征，而不是字符串标签或其他 Python 对象。 如果您将字符串标签作为特征，您首先需要根据字符串特征的含义（例如分类变量标识符或要提取为词袋的自由文本）找到正确的 特征提取策略。

Answer 2

我会小心地将 201（或任何其他值）添加到非排名的值中。 RF 对数据进行标准化（我是否需要为 randomForest（R 包）标准化（或缩放）数据？ ），这意味着它可以将 200 与 201 分组，也可以不分组。 您基本上是在伪造您没有的数据。

我将添加另一列：“haverank”并为其使用 0/1。 0 表示没有等级的人 1 表示有等级的人。

如果这个名字听起来更好，就称它为“highrank”。 您还可以添加另一个名为“veryhighrank”的列，并将值 1 赋予等级 1-50 之间的所有玩家。 等等...