分類特征編碼為Scikit-Learn的枚舉

Question

我目前正在嘗試使用Scikit-Learns的RandomForest模型（回歸）預先處理具有大量分類特征的非常大的數據集。 分類數據的性質要求不通過編碼方案添加任何標准。 H2o ML-Framework（ Link ）提供了enum -encoding，它可以完美地適應我的數據。 但是我依靠Scikit-Learns RandomForest。

是否有人知道Scikit-Learn Models的一些enum編碼？ （One-Hot-Encoding不是一個選項）

提前致謝！

Answer 1

在sklearn中只有標簽編碼， LabelEncoder和OHE。 但是，它沒有提供您想要的功能，因為類別只是編碼為整數，這對於序數類別只是有意義的，我相信。 我相信，在sklearn中，它需要模型來實現這種枚舉類別處理（因為sklearn中有許多模型，而且大多數模型都無法從這種編碼中受益）。

我認為， LightGBM 在這里聲稱它實現了內部這種類型的類別處理，但實際上我並不是100％確定是否屬實。 它的優點是它們同時具有RF和GBM樹構建器，因此您可以輕松地在它們之間切換，並且它比sklearn實現更快。

另請注意， CatBoost有一個用於內部類別編碼的覆蓋率工具包，但到目前為止我沒有經驗。